Jan Wira Gotama Putra

Pengenalan Konsep Pembelajaran

Mesin dan Deep Learning
Edisi 1.2

December 27, 2018

Untuk Tuhan, Bangsa, dan Almamater
Kata Pengantar

Buku ini ditujukan sebagai bahan pengantar (atau penunjang) mata kuliah
machine learning untuk mahasiswa di Indonesia, khususnya tingkat sarjana
(tidak menutup kemungkinan digunakan untuk tingkat pascasarjana). Buku
ini hanya merupakan komplemen, bukan sumber informasi utama. Buku ini
memuat materi dasar machine learning, yang ditulis sedemikian rupa se-
hingga pembaca mampu mendapatkan intuisi. Pembaca masih harus mem-
baca buku-buku lainnya untuk mendapatkan pemahaman lebih dalam.
Walaupun tidak sempurna, mudah-mudahan buku ini mampu memberi in-
spirasi. Anggap saja membaca buku ini seperti sedang membaca “light novel ”.
Penulis ingin buku ini bisa menjadi pointer ; i.e. dengan membaca buku ini,
diharapkan kawan-kawan juga mengetahui harus belajar apa (lebih jauhnya)
dalam bidang machine learning. Setelah membaca buku ini, pembaca diharap-
kan mampu membaca literatur machine learning yang dijelaskan secara lebih
matematis (kami memberi rekomendasi bacaan lanjutan).
Di Indonesia, penulis banyak mendengar baik dari teman, junior, senior,
dll; suatu pernyataan “kuliah mengajari teori saja, praktiknya kurang, dan
tidak relevan dengan industri”. Menurut saya di satu sisi itu benar; tapi
di sisi lain, karena permikiran macam itu terkadang kita tidak benar-benar
mengerti permasalahan. Ketika mengalami kendala, kita buntu saat mencari
solusi karena fondasi yang tidak kokoh. Banyak orang terburu-buru “meng-
gunakan tools” karena lebih praktikal. Penulis ingin mengajak saudara/i un-
tuk memahami konsep machine learning secara utuh sebelum memanfaatkan.
Ada perbedaan yang mendasar antara hanya mampu menggunakan tools dan
mengerti konsep secara utuh.
Buku ini menjelaskan algoritma machine learning dari sudut pandang
“agak” matematis. Pembaca disarankan sudah memahami/mengambil seti-
daknya mata kuliah statistika, kalkulus, aljabar linear, pengenalan kecer-
dasan buatan, dan logika fuzzy. Penulis merasa banyak esensi yang hilang
ketika materi machine learning hanya dijelaskan secara deskriptif karena
itu buku ini ditulis dengan bahasa “agak” matematis. Walaupun demikian,
penulis berusaha menggunakan notasi matematis seminimal dan sesederhana
VIII Kata Pengantar

mungkin, secukupnya sehingga pembaca mampu mendapatkan intuisi. Saat

membaca buku ini, disarankan membaca secara runtun. Gaya penulisan buku
ini santai/semiformal agar lebih mudah dipahami, mudah-mudahan tanpa
mengurangi esensi materi.
Buku ini ditulis menggunakan template monograph (LATEX) dari Springer
yang dimodifikasi. Dengan demikian, mungkin ada kesalahan pemenggalan
kata. Tentunya, buku tidak lepas dari kekurangan, misalnya kesalahan ti-
pografi. Kami sarankan pembaca untuk membaca secara seksama, termasuk
menginterpretasikan variabel pada persamaan.

Petunjuk Penggunaan
Struktur penyajian buku ini dapat dijadikan acuan sebagai struktur kuliah
machine learning untuk satu semester (bab 1 untuk sesi pertama, dst). Agar
dapat memahami materi per bab, bacalah keseluruhan isi bab secara utuh se-
belum mempertanyakan isi materi. Penulis sangat menyarankan untuk mem-
bahas soal latihan sebagai tambahan materi (bisa juga sebagai PR). Soal
latihan ditujukan untuk mengarahkan apa yang harus dibaca/dipahami lebih
lanjut.
Pembaca dipersilahkan menyebarkan (share) buku ini untuk alasan NON
KOMERSIAL (pendidikan), tetapi dimohon kesadarannya untuk tidak
menyalin /meniru isi buku ini. Bila ingin memuat konten diktat ini pada
media yang pembaca kelola, dimohon untuk mengontak pengarang terlebih
dahulu. Tidak semua istilah bahasa asing diterjemahkan ke Bahasa Indonesia
supaya makna sebenarnya tidak hilang (atau penulis tidak tahu versi Bahasa
Indonesia yang baku).
Bab lebih awal memuat materi yang relatif lebih “mudah” dipahami
dibanding bab berikutnya. Buku ini memberikan contoh dimulai dari contoh
sederhana (beserta contoh data). Semakin menuju akhir buku, notasi yang
digunakan akan semakin simbolik, beserta contoh yang lebih abstrak. Penulis
sangat menyarankan untuk membaca buku ini secara sekuensial.

Kutipan
Buku ini tergolong self-published work, tetapi sudah di-review oleh beberapa
orang. Kami yakin para reviewers adalah orang yang berkompeten. Silahkan
merujuk buku ini sesuai dengan paduan cara merujuk self-published work
(apabila diperbolehkan untuk merujuk self-published work pada pekerjaan
kamu).

Notasi Penting
Karakter bold kapital merepresentasikan matriks (X, Y, Z). Dimensi ma-
triks ditulis dengan notasi N × M dimana N merepresentasikan banyaknya
baris dan M merepresentasikan banyaknya kolom. Elemen matriks direpresen-
tasikan oleh Xi,j , X[i,j] , atau xi,j untuk baris ke-i kolom ke-j (penggunaan
akan menyesuaikan konteks pembahasan agar tidak ambigu). Karakter di-
bold merepresentasikan vektor (x). Elemen vektor ke-i direpresentasikan oleh
 Kata Pengantar IX

xi atau x[i] tergantung konteks. Ketika penulis menyebutkan vektor, yang

dimaksud adalah vektor baris (row vector, memiliki dimensi 1 × N , men-
gadopsi notasi Goldberg [1]). Perhatikan, literatur machine learning lainnya
mungkin tidak menggunakan notasi row vector tetapi column vector. Kami
harap pembaca mampu beradaptasi. Simbol “ · ” digunakan untuk melam-
bangkan operator dot-product.
Kumpulan data (atau himpunan) direpresentasikan dengan karakter kap-
ital (C, Z), dan anggotanya (data point, data entry) ke-i direpresentasikan
dengan karakter ci . Perhatikan, elemen vektor dan anggota himpunan bisa
memiliki notasi yang sama (himpunan dapat direpresentasikan di komputer
sebagai array, jadi penggunaan notasi vektor untuk himpunan pada konteks
pembicaraan kita tidaklah salah). Penulis akan menggunakan simbol x[i] se-
bagai elemen vektor apabila ambigu. Fungsi dapat direpresentasikan dengan
huruf kapital maupun non-kapital f (. . . ), E(. . . ), G(. . . ). Ciri fungsi adalah
memiliki parameter! Pada suatu koleksi vektor (himpunan vektor) D, vektor
ke-i direpresentasikan dengan di , dan elemen ke-j dari vektor ke-i direpre-
sentaiskan dengan di[j] , Di,j , atau D[i,j] (karena sekumpulan vektor dapat
disusun sebagai matriks).
Karakter non-kapital tanpa bold atau indeks (a, b, c, x, y, z) merepresen-
tasikan random variable (statistik) atau variabel (matematik). Secara umum,
saat random variable memiliki tertentu, dinotasikan dengan x = X (nilai
tertentu dinotasikan dengan huruf kapital), kecuali disebutkan secara khusus
saat pembahasan. Probabilitas direpresentasikan dengan karakter kapital (P ),
dengan karakter non-kapital merepresentasikan probability density (p). Penulis
yakin pembaca dapat menyesuaikan interpretasi simbol berdasarkan konteks
pembahasan. Untuk menginterpretasikan notasi lain, selain yang diberikan
pada paduan ini, mohon menyesuaikan dengan ceritera pembahasan.

Ucapan Terima Kasih

Penulis ingin mengucapkan terima kasih pada Bapak/Ibu/Saudara/i atas kon-
tribusi pada pengembangan dan penulisan buku ini: Adhiguna Surya Kuncoro,
Arief Yudha Satria, Candy Olivia Mawalim, Chairuni Aulia Nusapati, Genta
Indra Winata, Hayyu Luthfi Hanifah, I Gede Mahendra Darmawiguna, dan
Tifani Warnita.

Tokyo, Jepang Jan Wira Gotama Putra

https://wiragotama.github.io/
Daftar Isi

Bagian I Pengetahuan Dasar

1 Pengenalan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Kecerdasan Buatan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Intelligent Agent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Konsep Belajar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Statistical Learning Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Training, Development, Testing Set . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7 Regresi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Semi-supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.9 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.10 Proses Belajar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.11 Tips . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.12 Contoh Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2 Fondasi Matematis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1 Probabilitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Probability Density Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Expectation dan Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Bayesian Probability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Gaussian Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Teori Keputusan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Teori Informasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.8 Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9 Bacaan Lanjutan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
XII Daftar Isi

3 Data Analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Pengenalan Data Analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Nilai Atribut dan Transformasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3 Ruang Konsep . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Linear Separability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5 Seleksi Fitur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.6 Classification, Association, Clustering . . . . . . . . . . . . . . . . . . . . . . 41
3.7 Mengukur Kinerja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.8 Evaluasi Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.9 Kategori Jenis Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.10 Tahapan Analisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

Bagian II Algoritma Pembelajaran Mesin

4 Algoritma Dasar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 K-nearest-neighbor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

5 Model Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1 Curve Fitting dan Error Function . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2 Binary Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.3 Log-linear Binary Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4 Multi-label Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.5 Pembelajaran sebagai Permasalahan Optimisasi . . . . . . . . . . . . . 64
5.6 Batasan Model Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.7 Overfitting dan Underfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.8 Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.9 Transformasi Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.10 Bacaan Lanjutan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

6 Pohon Keputusan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.1 Inductive Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2 ID3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.3 Isu pada ID3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.4 Pembagian Ruang Konsep . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
 Daftar Isi XIII

7 Support Vector Classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

7.1 Maximal Margin Classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.2 Support Vector Classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.3 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
7.4 Klasifikasi lebih dari dua kelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.5 Tips . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

8 Hidden Markov Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

8.1 Probabilistic Reasoning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
8.2 Generative Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
8.3 Part-of-speech Tagging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
8.4 Hidden Markov Model Tagger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
8.5 Algoritma Viterbi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8.6 Proses Training Hidden Markov Model . . . . . . . . . . . . . . . . . . . . . 106
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

9 Seleksi Fitur dan Metode Evaluasi . . . . . . . . . . . . . . . . . . . . . . . . . 111

9.1 Feature Engineering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
9.2 High Dimensional Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
9.3 Feature Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
9.4 Cross Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9.5 Replicability, Overclaiming dan Domain Dependence . . . . . . . . . 118
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

10 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
10.1 K-means, Pemilihan Centroid, Kemiripan Data . . . . . . . . . . . . . . 122
10.2 Hierarchical Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
10.3 Evaluasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

Bagian III Artificial Neural Network

11 Feedforward Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

11.1 Definisi Artificial Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . 129
11.2 Single Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
11.3 Permasalahan XOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
11.4 Multilayer Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
11.5 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
11.6 Binary Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
11.7 Multi-label Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
11.8 Deep Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
11.9 Tips . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
11.10Regularization and Dropout . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
XIV Daftar Isi

11.11Vanishing and Exploding Gradients . . . . . . . . . . . . . . . . . . . . . . . . 145

11.12Rangkuman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

12 Autoencoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
12.1 Representation Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
12.2 Singular Value Decomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
12.3 Ide Dasar Autoencoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
12.4 Resisting Perturbation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
12.5 Representing Context: Word Embedding . . . . . . . . . . . . . . . . . . . 156
12.6 Tips . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

13 Arsitektur Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

13.1 Convolutional Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
13.2 Recurrent Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
13.3 Part-of-speech Tagging Revisited . . . . . . . . . . . . . . . . . . . . . . . . . . 177
13.4 Sequence to Sequence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
13.5 Arsitektur Lainnya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
13.6 Architecture Ablation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
13.7 Topik Khusus: Multi-task Learning . . . . . . . . . . . . . . . . . . . . . . . . 189
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193

Bagian IV Aplikasi dan Topik Tambahan

14 Penerapan Pembelajaran Mesin . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

14.1 Sistem Rekomendasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
14.2 Peringkasan Dokumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
14.3 Konklusi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
14.4 Saran Buku Lanjutan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

Referensi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
 Bagian I

Pengetahuan Dasar
1
Pengenalan

“People worry that computers

will get too smart and take over
the world, but the real problem
is that they’re too stupid and
they’ve already taken over the
world.”

Pedro Domingos

Penulis yakin istilah machine learning atau deep learning sudah tidak as-
ing di telinga pembaca. Machine learning dan deep learning adalah salah
satu materi kuliah pada jurusan Teknik Informatika atau Ilmu Komputer. Se-
lain mengenal kedua istilah tersebut di kuliah, pembaca mungkin mengenal
istilah tersebut karena digunakan untuk pemasaran (marketing). Sebagai per-
mulaan, machine learning dan deep learning bukanlah kedua hal yang sangat
berbeda1 . Perlu diingat, deep learning adalah bagian dari machine learning.
Machine learning sudah diaplikasikan pada banyak hal, baik untuk klasifikasi
gambar, mobil tanpa pengemudi, klasifikasi berita, dsb. Bab ini menjelaskan
konsep paling dasar dan utama machine learning.

1.1 Kecerdasan Buatan

Pada bagian pembukaan (kata pengantar ) telah dijelaskan bahwa kami men-
ganggap kamu sudah memiliki pengetahuan dasar tentang artificial intel-
ligence (kecerdasan buatan), kami akan memberikan sedikit ikhtisar apa
hubungan kecerdasan buatan dan machine learning. Saat pertama kali kamu
mendengar istilah “kecerdasan buatan”, mungkin kamu akan terpikir robot
yang memiliki raga fisik. Tetapi, kecerdasan buatan tidak hanya terbatas
pada sesuatu yang memiliki raga fisik. Raga fisik berguna untuk interaksi
1
Walau istilah deep learning belakangan ini lebih populer.
4 1 Pengenalan

yang ramah bagi manusia. Tidak mesti memiliki raga fisik, kecerdasan buatan
sesungguhnya adalah program2 yang memiliki bentuk matematis (instruksi);
kita sebut sebagai agen. Berbeda dengan program biasa yang menghasilkan
aksi berdasarkan instruksi, tujuan kecerdasan buatan adalah menciptakan
program yang mampu mem-program (output program adalah sebuah pro-
gram). Secara teori, program adalah automaton 3 yang menjalankan suatu
instruksi. Sama halnya dengan program pada umumnya, agen kecerdasan bu-
atan juga menjalankan suatu instruksi. Yang menjadikanya beda dengan pro-
gram biasa adalah kemampuan untuk belajar4 . “Belajar” yang dimaksud
tidaklah sama dengan proses manusia belajar. Mesin mampu belajar apabila
ia mampu meng-update parameter (dijelaskan lebih detil kemudian).
Pada bidang keilmuan kecerdasan buatan, kita ingin menciptakan agen
yang mampu melakukan pekerjaan yang membutuhkan kecerdasan manusia.
Perhatikan, disini disebut kecerdasan manusia; hewan pun cerdas, tapi ke-
cerdasan manusia dan hewan berbeda; yang kita ingin aproksimasi adalah
kecerdasan manusia. Akan tetapi, kecerdasan manusia susah didefinisikan
karena memiliki banyak aspek misalnya nalar (logika), kemampuan berba-
hasa, seni, dsb. Karena kecerdasan manusia memiliki banyak dimensi, kita
dapat mencoba menyelesaikan masalah pada sub bidang lebih kecil (divide
and conquer ). Sampai saat ini pun, peneliti belum juga mengetahui secara
pasti apa yang membuat manusia cerdas, apa itu sesungguhnya cerdas, dan
bagaimana manusia dapat menjadi cerdas. Dengan demikian, keilmuan kecer-
dasan buatan adalah interdisiplin, memuat: psikologis, linguistik, ilmu kom-
puter, biologi, dsb. Bila kamu bertanya apakah program deterministik dapat
disebut kecerdasan buatan, jawabannya “iya”, to some extent (sampai pada
level tertentu) karena memenuhi dimensi acting rationally (dijelaskan pada
subbab 1.2).
Permasalahan utama bidang kecerdasan buatan terdiri dari (dari klasik
sampai lebih modern)5 , yaitu:
1. Planning. Diberikan start state dan goal state, agen harus merencanakan
sekuens aksi untuk merubah start state menjadi goal state. Contoh per-
masalahan planning adalah merencanakan rute perjalanan dari kota A
ke kota B. Bisa jadi, saat merencanakan sekuens aksi, ada kendala (con-
straints) yang harus dioptimisasi.

2. Representasi pengetahuan, yaitu merepresentasikan pengetahuan dalam

bentuk formal. Dengan representasi formal tersebut, kita dapat melakukan
inferensi dengan operasi logika berbentuk simbolik, misal logika preposisi,
logika orde pertama (first-order logic), teori Fuzzy, abductive reasoning,

2
Secara sederhana, program adalah kumpulan atau sekuens instruksi.
3
Kami sarankan untuk membaca buku [2] untuk materi automata.
4
Perlu diperhatikan, definisi ini adalah pandangan modern.
5
Silahkan merujuk Association for the Advancement of Artificial Intelligence
(AAAI).
 1.1 Kecerdasan Buatan 5

ontologi, maupun jaringan semantik (semantic web) [3].

3. Machine learning , yaitu teknik untuk melakukan inferensi terhadap

data dengan pendekatan matematis. Inti machine learning adalah untuk
membuat model (matematis) yang merefleksikan pola-pola data (seiring
kamu membaca buku ini, kamu akan lebih mengerti). Ini adalah bahasan
utama buku ini.

4. Multi-agent system, yaitu sistem yang memiliki banyak agen berin-

teraksi satu sama lain untuk menyelesaikan permasalahan. Agen satu
mengerjakan suatu hal tertentu, kemudian bekerja bersama untuk menye-
lesaikan masalah yang lebih besar (tidak dapat diselesaikan sendiri).

5. Dan lain sebagainya, silahkan mengacu pada topik konferensi Association

for the Advancement of Artificial Intelligence (AAAI) .
Perhatikan, sub keilmuan representasi pengetahuan dan machine learn-
ing sama-sama melakukan inferensi, tetapi pada representasi yang berbeda.
Inferensi pada bidang keilmuan representasi pengetahuan mencakup ten-
tang bagaimana cara (langkah dan proses) mendapatkan sebuah keputu-
san, diberikan premis. Pada machine learning, inferensi yang dimaksud lebih
menitikberatkan ranah hubungan variabel. Misalnya, apakah penjualan akan
meningkat apabila kita meningkatkan biaya marketing. Bila kamu ingat dengan
mata pelajaran matematika SMA (logika preposisi), kamu sadar bahwa mem-
buat sistem cerdas menggunakan representasi pengetahuan simbolik itu susah.
Kita harus mendefinisikan term, aturan logika, dsb. Belum lagi kita harus
mendefinisikan aturan-aturan secara manual. Representasi pengetahuan se-
cara tradisional dianggap relatif kurang scalable, khususnya apabila kita bek-
erja dengan data yang besar. Sementara itu, machine learning berada pada
daerah representasi data/ilmu/pengetahuan dalam bentuk matematis karena
keilmuan machine learning diturunkan dari matematika dan statistika.
Pada masa sekarang, kita dianugrahi dengan data yang banyak (bahkan
tidak terbatas), teknik machine learning menjadi intuitif untuk melakukan
inferensi pada data yang besar. Hal ini yang menyebabkan machine learn-
ing menjadi populer karena konstruksi model inferensi dapat dilakukan se-
cara otomatis. Machine learning ibarat sebuah “alat”, sama seperti rumus
matematika. Bagaimana cara menggunakannya tergantung pada domain per-
masalahan. Dengan demikian, kamu harus paham betul bahwa memahami
teknik-teknik machine learning saja tidak cukup. Kamu juga harus menge-
tahui domain aplikasi yang bersesuaian karena pemanfaatan teknik-teknik
machine learning dapat berbeda pada domain yang berbeda. Sedikit cerita,
sub keilmuan data science mempelajari banyak domain, misalnya data pada
domain sosial, ekonomi, bahasa, maupun visual. Seiring kamu membaca buku
ini, kami harap kamu semakin mengerti hal ini.
6 1 Pengenalan

1.2 Intelligent Agent

Agen cerdas memiliki empat kategori berdasarkan kombinasi dimensi cara
inferensi (reasoning) dan tipe kelakuan (behaviour ) [4, 5]. Kategori agen
dapat dilihat pada Gambar 1.1 dengan penjelasan sebagai berikut:

Gambar 1.1. Dimensi kecerdasan

1. Acting Humanly . Pada dimensi ini, agen mampu bertingkah dan berin-
teraksi layaknya seperti manusia. Contoh terkenal untuk hal ini adalah
turing test. Tujuan dari turing test adalah untuk mengevaluasi apakah
suatu sistem mampu “menipu” manusia. Disediakan seorang juri, kemu-
dian juri berinteraksi dengan sesuatu di balik layar. Sesuatu di balik layar
ini bisa jadi manusia atau program. Program dianggap mampu bertingkah
(berinteraksi) seperti layaknya manusia apabila juri tidak dapat membe-
dakan ia sedang berkomunikasi dengan manusia atau program.

2. Acting Rationally . Pada dimensi ini, agen mampu bertingkah den-

gan optimal. Tindakan optimal belum tentu menyerupai tindakan manu-
sia, karena tindakan manusia belum tentu optimal. Misalnya, agen yang
mampu memiliki rute terpendek dari suatu kota A ke kota B untuk men-
goptimalkan penggunaan sumber daya. Sebagai manusia, bisa saja kita
mencari jalan sesuka hati.

3. Thinking Humanly . Pada dimensi ini, agen mampu berpikir seperti

manusia dalam segi kognitif (e.g. mampu mengerti apa itu kesedihan atau
kesenangan). Dapat dibilang, meniru bagaima proses berpikir di otak ter-
jadi (pemodelan otak).

4. Thinking Rationally . Pada dimensi ini, agen mampu berpikir secara

rasional. Sederhananya sesuai dengan konsep logika matematika. Think-
ing Humanly lebih cenderung pada pemodelan kognitif secara umum, se-
mentara dimensi thinking rationally cenderung pada pemodelan proses
berpikir dengan prinsip optimisasi (apa yang harus dilakukan agar hasil
 1.2 Intelligent Agent 7

optimal).

Perlu dicatat, “acting” berarti agen mampu melakukan aksi. Sementara

“thinking” adalah pemodelan proses. Untuk mewujudkan interaksi manusia-
komputer seperti manusia-manusia, tentunya kita ingin intelligent agent bisa
mewujudkan dimensi acting humanly dan thinking humanly. Sayangnya, manu-
sia tidak konsisten [6]. Sampai saat ini, konsep kecerdasan buatan adalah
meniru manusia; apabila manusia tidak konsisten, peneliti susah untuk mem-
odelkan cara berpikir/tingkah laku manusia. Dengan hal itu, saat ini kita
paling mungkin menciptakan agen yang mempunyai dimensi acting rationally.

Gambar 1.2. Agent vs environment [7]

Perhatikan Gambar 1.2! Agen mengumpulkan informasi dari lingkungan-

nya, kemudian memberikan respon berupa aksi. Lingkungan (environment)
yang dimaksud bisa jadi macam-macam, misal: rumah, papan catur, agen
lain, dsb. Kita ingin agen melakukan aksi yang benar. Tentu saja kita perlu
mendefinisikan secara detail, teliti, tepat (precise), apa arti “aksi yang benar”.
Dengan demikian, lebih baik apabila kita mengukur kinerja agen, menggu-
nakan ukuran kinerja (performance measure). Misalnya untuk robot pem-
bersih rumah, performance measure-nya adalah seberapa persen debu yang
dapat ia bersihkan. Performance measure, secara matematis dikenal seba-
gai fungsi utilitas (utility function), yaitu fungsi apa yang harus dimaksi-
malkan/diminimalkan oleh agen tersebut. Setiap tindakan yang dilakukan
agen rasional harus mengoptimalkan nilai performance measure atau util-
ity function. Pada buku ini, istilah performance measure dan utility function
merujuk pada hal yang sama6 .

6
Buku ini berfokus pada performance measure secara matematis, buku lain belum
tentu berfokus pada hal yang sama.
8 1 Pengenalan

1.3 Konsep Belajar

Bayangkan kamu berada di suatu negara asing! Kamu tidak tahu norma yang
ada di negara tersebut. Apa yang kamu lakukan agar bisa menjadi orang
“normal” di negara tersebut? Tentunya kamu harus belajar! Kamu menga-
mati bagaimana orang bertingkah laku di negara tersebut dan perlahan-lahan
mengerti norma yang berlaku. Belajar adalah usaha memperoleh kepandaian
atau ilmu; berlatih; berubah tingkah laku atau tanggapan yang disebabkan
oleh pengalaman7 . Pembelajaran adalah proses, cara, perbuatan atau men-
jadikan orang atau makhluk hidup belajar. Akan tetapi, pada machine learn-
ing, yang menjadi siswa bukanlah makhluk hidup, tapi mesin.
Definsi sebelumnya mungkin sedikit “abstrak”, kita harus mengkonversi
definisi tersebut sebagai definsi operasional (bentuk komputasi). Secara op-
erasional, belajar adalah perubahan tingkah laku berdasarkan pengalaman
(event/data) untuk menjadi lebih baik. Pada konteks machine learning, bela-
jar adalah menyesuaikan konfigurasi parameter (tingkah laku) terhadap utility
function sesuai dengan data (lingkungan).

1.4 Statistical Learning Theory

Pada masa sekarang ini data bertebaran sangat banyak dimana-mana. Pem-
rosesan data secara manual tentu adalah hal yang kurang bijaksana. Beber-
apa pemrosesan data yang dilakukan seperti kategorisasi (kategorisasi teks
berita), peringkasan dokumen, ekstraksi informasi (mencari subjek, objek,
dan relasi diatara keduanya pada teks), rekomendasi produk berdasarkan
catatan transaksi, dll [7]. Tujuan machine learning minimal ada dua: mem-
prediksi masa depan (unobserved event); dan/atau memperoleh ilmu
pengetahuan (knowledge discovery/discovering unknown structure). Kedua
hal ini berkaitan sangat erat. Sebagai contoh, manusia tahu bahwa cara meng-
gunakan pensil dan pulpen sama, walaupun saat kita belum pernah menggu-
nakan pulpen (penulis berasumsi kamu belajar menulis menggunakan pensil).
Memprediksi masa depan berarti kita tahu bahwa pulpen adalah alat tulis.
Knowledge discovery berarti kita tahu bahwa cara menggunakan pulpen dan
pensil itu sama, walaupun belum pernah menggunakan pulpen sebelumnya8 .
Untuk mencapai tujuan tersebut, kita menggunakan data (sampel), kemu-
dian membuat model untuk menggeneralisasi “aturan” atau “pola” data se-
hingga kita dapat menggunakannya untuk mendapatkan informasi/membuat
keputusan [8, 9]. Statistical learning theory (yang diaplikasikan pada ma-
chine learning) adalah teknik untuk memprediksi masa depan dan/atau meny-
impulkan/mendapatkan pengetahuan dari data secara rasional dan non-
paranormal. Hal ini sesuai dengan konsep intelligent agent, yaitu bertingkah

7
KBBI Web, diakses pada 10 Oktober 2016
8
Baca zero-shot learning
 1.4 Statistical Learning Theory 9

berdasarkan lingkungan. Dalam hal ini, yang bertindak sebagai lingkungan

adalah data. Performance measure-nya adalah seberapa akurat prediksi agen
tersebut atau seberapa mirip “pola” data yang ditemukan terhadap data asli.
Disebut statistical karena basis pembelajarannya memanfaatkan banyak teori
statistik untuk melakukan inferensi (misal memprediksi unobserved event)9

Gambar 1.3. Ilustrasi makanan pesta 1

Gambar 1.4. Ilustrasi makanan pesta 2

Perhatikan Gambar 1.3 (permasalahan yang disederhanakan). Misalkan

kamu diundang ke suatu pesta. Pada pesta tersebut ada 3 jenis kue yang dis-
ajikan. Kamu ingin mengetahui berapa rasio kue yang disajikan dibandingkan
masing-masing jenisnya (seluruh populasi). Tetapi, karena susah untuk men-
ganalisis seluruh data atau keseluruhan data tidak tersedia, kamu mengam-
bil beberapa sampel. Dari sampel tersebut, kamu mendapati bahwa ada 4
buah kue segi empat, 3 buah kue hati dan 2 buah kue segitiga. Lalu kamu
9
Selain itu, machine learning juga banyak memanfaatkan teori aljabar linear.
10 1 Pengenalan

menyimpulkan (model) bahwa perbandingan kuenya adalah 4:3:2 (segiem-

pat:hati:segitiga). Perbandingan tersebut hampir menyerupai kenyataan selu-
ruh kue yaitu 4:2.67:2. Tentu saja kondisi ini terlalu ideal.
Perhatikan Gambar 1.4, temanmu Haryanto datang juga ke pesta yang
sama dan ingin melakukan hal yang sama (rasio kue). Kemudian ia mengambil
beberapa sampel kue. Dari sampel tersebut ia mendapati bahwa ada 3 buah
segiempat, 3 buah hati dan 2 buah segitiga, sehingga perbandingannya adalah
3:3:2. Tentunya hal ini sangat melenceng dari populasi.
Dari dua sampel yang berbeda, kita menyimpulkan, menginferensi (infer )
atau mengeneralisasi dengan berbeda. Kesimpulan yang kita buat berdasarkan
sampel tersebut, kita anggap merefleksikan populasi, kemudian kita mengang-
gap populasi memiliki aturan/pola seperti kesimpulan yang telah kita cip-
takan [10]. Baik pada statistika maupun statistical machine learning, pemili-
han sampel (selanjutnya disebut training data) adalah hal yang sangat pent-
ing. Apabila training data tidak mampu merepresentasikan populasi, maka
model yang dihasilkan pembelajaran (training) tidak bagus. Untuk itu, bi-
asanya terdapat juga development data dan test data. Mesin dilatih meng-
gunakan training data, kemudian diuji kinerjanya menggunakan development
data 10 dan test data. Seiring dengan membaca buku ini, konsep training data,
development data, dan test data akan menjadi lebih jelas.
Seperti halnya contoh sederhana ini, persoalan machine learning sesung-
guhnya menyerupai persoalan statistical inference [10]. Kita berusaha men-
cari tahu populasi dengan cara menyelidiki fitur (features atau sifat-sifat)
yang dimiliki sampel. Kemudian, menginferensi aksi yang harus dilakukan
terhadap unobserved data berdasarkan kecocokan fitur-fitur unobserved data
dengan model/aturan yang sudah ada.
Dari sisi metode pembelajaran, algoritma machine learning dapat dikat-
egorikan sebagai: supervised learning (subbab 1.6), semi-supervised learning
(subbab 1.8), unsupervised learning (subbab 1.9), dan reinforcement learn-
ing. Masing-masing metode akan dibahas pada subbab berikutnya (kecuali
reinforcement learning, karena diluar cakupan buku ini).

1.5 Training, Development, Testing Set

Terdapat dua istilah penting dalam pembangunan model machine learning

yaitu: training dan testing . Training adalah proses membangun model dan
testing adalah proses menguji kinerja model pembelajaran. Dataset adalah
kumpulan data (sampel dalam statistik). Sampel ini adalah data yang kita
gunakan untuk membuat model maupun mengevaluasi model machine learn-
ing. Umumnya, dataset dibagi menjadi tiga jenis yang tidak beririsan (satu
sampel pada himpunan tertentu tidak muncul pada himpunan lainnya):

10
Pada umumnya bertindak sebagai stopping criterion saat proses training.
 1.5 Training, Development, Testing Set 11

1. Training set adalah himpunan data yang digunakan untuk melatih atau
membangun model. Pada buku ini, istilah training data(set) mengacu
pada training set.
2. Development set atau validation set adalah himpunan data yang di-
gunakan untuk mengoptimisasi saat melatih model. Model dilatih meng-
gunakan training set dan pada umumnya kinerja saat latihan diuji den-
gan development set. Hal ini berguna untuk generalisasi (agar model
mampu mengenali pola secara generik). Pada buku ini, istilah develop-
ment/validation data(set) mengacu pada hal yang sama.
3. Testing set adalah himpunan data yang digunakan untuk menguji model
setelah proses latihan selesai. Pada buku ini, istilah testing data(set)
atau test set mengacu pada testing set. Perlu kami tekankan, testing set
adalah unseen data. Artinya, model dan manusia tidak boleh melihat sam-
pel ini saat proses latihan. Banyak orang yang tergoda untuk melihat test-
ing set saat proses latihan walaupun itu adalah tingkah laku yang buruk
karena menyebabkan bias.
Satu sampel pada himpunan data kita sebut sebagai data point atau in-
stans (instance) yang merepresentasikan suatu kejadian statistik (event).
Perlu diingat, training, development, dan testing data diambil (sampled ) dari
distribusi yang sama dan memiliki karakteristik yang sama (independently
and identically distributed ). Distribusi pada masing-masing dataset ini juga
sebaiknya seimbang (balanced ) dan memuat seluruh kasus. Misal, sebuah
dataset binary classification sebaiknya memuat 50% kasus positif dan 50%
kasus negatif.
Pada umumnya, rasio pembagian dataset adalah (80% : 10% : 10%)
atau (90% : 5% : 5%) (training:development:testing). Development set pada
umumnya bisa tidak digunakan apabila dataset berukuran kecil (hanya dibagi
menjadi training dan testing set saja). Dalam kasus ini, pembagian dataset
menjadi training dan testing set pada umumnya memiliki rasio (90% : 10%),
(80% : 20%), (70% : 30%), atau (50% : 50%). Pada kasus ini, kinerja saat
training diuji menggunakan training set (dikenal sebagai closed testing ).
Saat tidak menggunakan development set (hanya ada training dan testing
set), kita juga memiliki opsi untuk mengevaluasi model dengan metode K-
cross-validation 11 . Artinya, kita membagi training dataset menjadi K bagian.
Kita menggunakan K − 1 bagian untuk training, kemudian menguji kinerja
model saat latihan (validation) menggunakan satu bagian. Hal ini diulangi
sebanyak K kali dimana sebuah bagian data digunakan sebagai testing set
sebanyak sekali (bergilir). Hal ini akan dijelaskan lebih lanjut pada bab-bab
selanjutnya.

11
https://www.openml.org/a/estimation-procedures/1
12 1 Pengenalan

1.6 Supervised Learning

Jika diterjemahkan secara literal, supervised learning adalah pembelajaran
terarah/terawasi. Artinya, pada pembelajaran ini, ada guru yang mengajar
(mengarahkan) dan siswa yang diajar. Kita disini berperan sebagai guru, ke-
mudian mesin berperan sebagai siswa. Perhatikan Gambar 1.5 sebagai ilus-
trasi! Pada Gambar 1.5, seorang guru menuliskan angka di papan “8, 6, 2”
sebagai contoh untuk siswanya, kemudian gurunya memberikan cara mem-
baca yang benar untuk masing-masing angka. Contoh angka melambangkan
input, kemudian cara membaca melambangkan desired output. Pasangan
input–desired output ini disebut sebagai instance (untuk kasus supervised
learning). Pembelajaran metode ini disebut supervised karena ada yang mem-
berikan contoh jawaban (desired output).

Gambar 1.5. Supervised learning

Perhatikan Gambar 1.6 dan Gambar 1.7, x adalah kejadian (event – ran-
dom variable), untuk event tertentu dapat dinotasikan sebagai {x1 , x2 , x3 , · · · ,
xN }. x dapat berupa vektor, teks, gambar, dan lain sebagainya (perhatikan
konteks pembahasan buku). Demi pembahasan yang cukup generik, pada bab
ini kita membicarakan x yang merepresentasikan event, data point, atau input.
Seorang guru sudah mempunyai jawaban yang benar untuk masing-masing
contoh dengan suatu fungsi distribusi probabilitas kondisional (conditional
probability density function) q(y | x) baca: function q for y given x,
melambangkan hasil yang benar/diharapkan untuk suatu event. Siswa (mesin)
mempelajari tiap pasang pasangan input-desired output (training
data) dengan mengoptimalkan conditional probability density function p(y |
x, w), dimana y adalah target (output), x adalah input dan vektor w adalah
learning parameters. Proses belajar ini, yaitu mengoptimalkan w disebut
sebagai training. Semakin kamu membaca buku ini, konsep ini akan men-
jadi semakin jelas. Proses training bertujuan untuk mengaproksimasi q(y | x)
melalui p(y | x, w).
 1.6 Supervised Learning 13

Gambar 1.6. Supervised learning - mathematical explanation

Gambar 1.7. Supervised learning - mathematical explanation 2

Gambar 1.8. Supervised learning framework

Perhatikan Gambar 1.8! model memiliki panah ke training data dan test
data, artinya model hasil training sangat bergantung pada data dan guru.
Model yang dihasilkan training (hasil pembelajaran kemampuan siswa) untuk
data yang sama bisa berbeda untuk guru yang berbeda12 .
Tujuan supervised learning, secara umum untuk melakukan klasifikasi
(classification). Misalkan mengklasifikasikan gambar buah (apa nama buah
pada gambar), diilsutrasikan pada Gambar 1.9. Apabila hanya ada dua kate-
gori, disebut binary classification. Sedangkan bila terdapat lebih dari dua
12
Penulis rasa hal ini sangat intuitif berhubung hal serupa terjadi pada manusia.
14 1 Pengenalan

kategori, disebut multi-label classification. Ada tipe klasifikasi lain dise-

but soft classification yaitu klasifikasi menggunakan probabilitas (seperti pada
fuzzy logic) misalkan suatu berita memuat 30% olah raga dan 70% politik.

Gambar 1.9. Ilustrasi klasifikasi buah

p(y | x, w) (1.1)
Pemahaman supervised learning adalah mengingat persamaan 1.1. Ada
tiga hal penting pada supervised learning yaitu input, desired output, dan
learning parameters. Perlu ditekankan learning parameters berjumlah lebih
dari satu, dan sering direpresentasikan dengan vektor (bold ) atau matriks.
Berdasarkan model yang dibuat, kita dapat melakukan klasifikasi (misal sim-
bol yang ditulis di papan adalah angka berapa). Secara konseptual, klasifikasi
didefinisikan sebagai persamaan 1.2 yaitu memilih label (kelas/kategori y)
paling optimal dari sekumpulan label C, diberikan (given) suatu instans data
tertentu.

yˆi = arg max p(yi | xi , w) (1.2)

yi ∈C

1.7 Regresi
Pada persoalan regresi, kita ingin memprediksi output berupa bilangan kon-
tinu. Misalnya pada regresi suatu fungsi polinomial, kita ingin mencari tahu
fungsi f (x) diberikan data {(x1 , y1 ), · · · , (xN , yN )}. Setelah itu, kita gunakan
fungsi aproksimasi untuk mencari tahu nilai yN +1 dari data baru xN +1 . Perbe-
daan regresi dan klasifikasi adalah pada tipe output. Untuk regresi, tipe output
adalah nilai kontinu; sementara tipe output pada persoalan klasifikasi adalah
suatu objek pada himpunan (i.e., memilih opsi pada himpunan jawaban).
Tetapi, kita dapat mengkonversi fungsi regresi menjadi fungsi klasifikasi (di-
jelaskan pada bab 5).

1.8 Semi-supervised Learning

Semi-supervised learning mirip dengan supervised learning, bedanya pada
proses pelabelan data. Pada supervised learning, ada “guru” yang harus mem-
buat “kunci jawaban” input-output. Sedangkan pada semi-supervised learning
 1.9 Unsupervised Learning 15

tidak ada “kunci jawaban” eksplisit yang harus dibuat guru. Kunci jawaban
ini dapat diperoleh secara otomatis (misal dari hasil clustering). Pada kate-
gori pembelajaran ini, umumnya kita hanya memiliki sedikit data. Kita ke-
mudian menciptakan data tambahan baik menggunakan supervised ataupun
unsupervised learning, kemudian membuat model belajar dari data tambahan
tersebut.

1.9 Unsupervised Learning

Gambar 1.10. Ilustrasi clustering

Jika pada supervised learning ada guru yang mengajar, maka pada unsu-
pervised learning tidak ada guru yang mengajar. Contoh permasalahan unsu-
pervised learning adalah clustering. Mengingat contoh kue sebelumnya, kita
ingin mengelompokkan kue-kue yang sama, diilustrasikan oleh Gambar 1.10.
Yang kamu lakukan adalah membuat kelompok-kelompok berdasarkan karak-
teristik kue, misal kelompok kue biru, kelompok kue kuning, atau kelom-
pok kue merah. Teknik-teknik mengelompokkan ini akan dibahas pada bab-
bab berikutnya. Contoh algoritma unsupervised learning sederhana adalah
K-means (bab 4).
Perhatikan Gambar 1.11 dan Gambar 1.12! Berbeda dengan supervised
learning yang memiliki desired output, pada unsupervised learning tidak ada
desired output (jelas, tidak ada gurunya, tidak ada yang memberi contoh).
Kita ingin mencari tahu distribusi asli data q(x), berdasarkan beberapa sam-
pel data. Learning dilakukan dengan mengoptimalkan p(x | w) yang men-
goptimasi parameter w. Perbedaan antara estimasi dan fungsi asli disebut
sebagai generalization loss (atau loss saja – dijelaskan pada bab 5). Kunci
pemahaman unsupervised learning adalah mengingat persamaan 1.3, yaitu
ada input dan parameter.
16 1 Pengenalan

Gambar 1.11. Unsupervised learning framework

Gambar 1.12. Generalization error of unsupervised learning

p(x | w) (1.3)
Perlu kami tekankan, unsupervised learning 6= clustering! Clustering adalah
salah satu bentuk unsupervised learning; yaitu salah satu hasil inferensi per-
samaan 1.3. Unsupervised learning adalah mencari sifat-sifat (properties)
data. Kita ingin aproksimasi p(x | w) semirip mungkin dengan q(x), dimana
q(x) adalah distribusi data yang asli. Dataset di-sampel dari distribusi q(x),
kemudian kita ingin mencari tahu q(x) tersebut.

1.10 Proses Belajar

Seperti yang sudah dijelaskan pada subbab sebelumnya, pada supervised
maupun unsupervised learning, kita ingin mengestimasi sesuatu dengan teknik
machine learning. Kinerja learning machine berubah-ubah sesuai dengan pa-
rameter w (parameter pembelajaran). Kinerja learning machine diukur oleh
 1.11 Tips 17

fungsi tujuan (utility function/performance measure), yaitu mengoptimalkan

nilai fungsi tertentu; misalnya meminimalkan nilai error, atau meminimalkan
loss (dijelaskan kemudian). Secara intuitif, learning machine mirip seperti saat
manusia belajar. Kita awalnya membuat banyak kesalahan, tetapi kita menge-
tahui/diberi tahu mana yang benar. Untuk itu kita menyesuaikan diri secara
perlahan agar menjadi benar (iteratif). Inilah yang juga dilakukan learning
machine, yaitu mengubah-ubah parameter w untuk mengoptimalkan suatu
fungsi tujuan13 . Akan tetapi, machine learning membutuhkan sangat banyak
data. Sementara, manusia dapat belajar dengan contoh yang sedikit.
Secara bahasa lebih matematis, kami beri contoh supervised learning. Kita
mempunyai distribusi klasifikasi asli q(y | x). Dari distribusi tersebut, kita
diberikan beberapa sampel pasangan input-output {z1 , z2 , z3 , . . . , zn }; zi =
(xi , yi ). Kita membuat learning machine p(y | x, w). Awalnya diberi (x1 , y1 ),
learning machine mengestimasi fungsi asli dengan mengoptimalkan parameter
w sesuai dengan data yang ada. Seiring berjalannya waktu, ia diberikan data
observasi lainnya, sehingga learning machine menyesuaikan dirinya (konver-
gen) terhadap observasi yang baru (x2 , y2 ), (x3 , y3 ), . . . . Semakin lama, kita
jadi makin percaya bahwa learning machine semakin optimal (mampu mem-
prediksi fungsi aslinya). Apabila kita diberikan data sejumlah tak hingga, kita
harap aproksimasi kita sama persis dengan distribusi aslinya.

1.11 Tips
Jujur, pengarang sendiri belum menguasai bidang ini secara penuh, tetapi
berdasarkan pengalaman pribadi (+ membaca) dan beberapa rekan; ada be-
berapa materi wajib yang harus dipahami untuk mengerti bidang machine
learning. Sederhananya, kamu harus menguasai banyak teori matematika dan
probabilitas agar dapat mengerti machine learning sampai tulang dan jeroan-
nya. Kami tidak menyebutkan bahwa mengerti machine learning secara in-
tuitif (atau belajar dengan pendekatan deskriptif) itu buruk, tetapi untuk
mengerti sampai dalam memang perlu mengerti matematika (menurut pen-
galaman kami). Disarankan untuk belajar materi berikut:
1. Matematika Diskrit dan Teori Bilangan
2. Aljabar Linier dan Geometri (vektor, matriks, skalar, dekomposisi, trans-
formasi, tensor, dsb)
3. Kalkulus (diferensial dan integral)
4. Teori Optimasi (Lagrange multiplier, Convex Iptimization, Gradient De-
scent, Integer Linear Problem, dsb)
5. Probabilitas dan Statistika (probabilitas, probability densities, hypothesis
testing, inter-rater agreement, Bayesian, statistical mechanics)
13
Saat membaca ini, kamu mungkin akan menganggap bahwa teknik machine learn-
ing adalah fungsi-parametrik. Sebenarnya, ada juga algoritma machine learning
non-parametrik.
18 1 Pengenalan

6. Teori Fuzzy
Mungkin kamu sudah tahu, tetapi penulis ingin mengingatkan ada dua
buku yang sangat terkenal (“kitab”) sebagai materi belalajar machine learn-
ing dan deep learning:
1. Patten Recognition and Machine Learning, oleh Christopher M. Bishop [8]
2. Deep Learning, oleh Ian Goodfellow, Yoshua Bengio, dan Aaron Courville [11]
Apabila pembaca memiliki kesempatan, penulis sarankan untuk membaca ke-
dua buku tersebut.

1.12 Contoh Aplikasi

Sebenarnya, aplikasi pemanfaatan machine learning sudah terasa dalam ke-

hidupan sehari-hari. Contoh mudahnya adalah produk-produk Google, mis-
alnya google translate (machine translation, handwritten recognition, speech
recognition, Alpha Go). Berikut adalah beberapa artikel menarik:

1. techcrunch google AI beats go world champion

2. http://www-formal.stanford.edu/jmc/whatisai/node3.html
3. https://www.google.com/selfdrivingcar/
4. http://www.osnews.com/story/26838/Palm_I_m_ready_to_wallow_now/
page2/

Soal Latihan

1.1. Aplikasi
(a) Carilah contoh-contoh penerapan machine learning pada kehidupan sehari-
hari selain yang telah disebutkan!
(b) Mengapa mereka menggunakan teknik machine learning untuk menyele-
saikan permasalahan tersebut?
(c) Apakah tidak ada opsi teknik lainnya? Jelaskan bila ada!
(d) Apa kelebihan dan kekurangan teknik machine learning daripada teknik
lainnya (yang kamu jelaskan pada soal (c))?

1.2. Kecerdasan
Jelaskan tahapan perkembangan kecerdasan manusia berdasarkan kategori
usia! Dari hal ini, kamu akan mengerti kenapa beberapa peneliti membuat
agen cerdas berdasarkan kategori usia tertentu.
2
Fondasi Matematis

“He uses statistics as a drunken

man uses lamp posts – for
support rather than for
illumination.”

Andrew Lang

Mungkin saat pertama kali membaca bab ini, kamu merasa bab ini tidak
masuk akal/kurang dibutuhkan. Seiring membaca buku ini, mungkin bab ini
akan sering dikunjungi kembali. Bab ini hanyalah pengingat materi yang su-
dah kamu pernah pelajari saja (semacam cheatsheet). Kamu boleh melewati
bab ini apabila sudah familiar dengan materi probabilitas, statistika, serta
aljabar linier.
Bab ini memuat sekilas tentang probabilitas, statistika, dan operasi ma-
triks. Tentunya untuk mengerti materi tersebut sebaiknya kamu mengambil
kuliah khusus berkaitan karena kamu diharapkan sudah memiliki “cukup latar
pengetahuan”, bab ini sebenarnya hanyalah sekilas pengingat. Kami akan
banyak memakai contoh-contoh dari buku Bishop [8] untuk materi probabili-
tas.

2.1 Probabilitas
Di dunia ini, ada banyak hal yang tidak pasti (uncertain). Ssungguhnya, ma-
chine learning berurusan dengan ketidakpastian (uncertainty). Dengan hal
itu, machine learning memiliki kaitan yang sangat erat dengan statistika.
Probabilitas menyediakan framework untuk kuantifikasi dan manipulasi keti-
dakpastian [8]. Mari kita lihat contoh sederhana. Terdapat dua buah kotak
berwarna merah dan berwarna biru. Pada kotak merah terdapat 3 apel dan
1 jeruk. Pada kotak biru, terdapat 2 apel dan 4 jeruk, kita ingin mengambil
buah dari salah satu kotak tersebut. Ilustrasi persoalan dapat dilihat pada
20 2 Fondasi Matematis

Gambar 2.1. Dalam hal ini, kotak adalah random variable. Random variable
k (melambangkan kotak) dapat bernilai merah atau biru. Begitu pula dengan
buah, dilambangkan dengan variabel b, dapat bernilai apel atau jeruk.

Gambar 2.1. Kotak apel dan jeruk

Saat kita mengambil buah dari kotak biru, peluang untuk memilih apel
bernilai 2/6, sedangkan peluang untuk memilih jeruk bernilai 4/6; kita tulis
probabilitas ini sebagai P (b = apel) = 2/6; dan P (b = jeruk) = 4/6. Artinya,
jika kita mengambil buah dari kotak biru, kemungkinan lebih banyak kejadian
saat kita mendapat jeruk. Nilai suatu probabilitas harus lebih besar sama
dengan nol sampai kurang dari atau sama dengan satu (0 ≤ P ≤ 1). Nilai nol
berarti suatu kejadian tidak mungkin muncul, sementara nilai satu berarti
suatu kejadian pasti terjadi.
Lalu sekarang ada pertanyaan baru; pada suatu percobaan, berapakah
probabilitas mengambil sebuah apel dari kotak biru atau sebuah jeruk dari
kotak merah. Hal ini dituliskan sebagai P ((k = biru, b = apel) atau (k =
merah, b = jeruk)). Nilai probabilitas tersebut dapat dihitung dengan

P ((k = biru, b = apel) ∨ (k = merah, b = jeruk))

(2.1)
= P (k = biru, b = apel) + P (k = merah, b = jeruk)

• P (k = biru, b = apel) disebut joint probability, yaitu probabilitas kejadian

yang dipengaruhi oleh beberapa variabel (kondisi untuk kedua variabel
terpenuhi).
• P (k = biru, b = apel) + P (k = merah, b = jeruk) disebut aturan tam-
bah.
Penting untuk diingat bahwa hasil operasi apapun terhadap probabilitas (baik
tambah, kurang, kali, atau bagi) haruslah lebih besar sama dengan nol sampai
kurang dari atau sama dengan satu (0 ≤ P ≤ 1).
Misalkan terdapat percobaan lain, kali ini kamu mengambil 1 buah. Kamu
ingin mengetahui berapakah probabilitas untuk mengambil buah apel kotak
mana saja. Hal ini dihitung dengan persamaan 2.2.
 2.2 Probability Density Function 21
I
X
P (b = apel) = P (k = ki , b = apel) (2.2)
i=1

Aturan tambah seperti ini disebut marginal probability karena hasilnya

didapat dengan menjumlahkan probabilitas seluruh kemungkinan nilai pada
variabel tertentu (buah) dengan mengontrol variabel lainnya (kotak).
Kemudian, kamu ingin melakukan percobaan lain. Kali ini kamu mengam-
bil 2 buah sekaligus dari kedua kotak. Kamu ingin mengetahui berapakah
probabilitas mengambil buah apel yang berasal dari kotak biru dan buah
jeruk yang berasal dari kotak merah. Dalam kasus ini, kejadiannya adalah sal-
ing bebas, artinya mengambil buah dari kotak biru, pada saat yang bersamaan
tidak akan mempengaruhi hasil pengambilan kotak merah. Apabila kedua ran-
dom variable x dan y independent (tidak bergantung satu sama lain), maka
P (x = X, y = Y ) = P (X) × P (Y ). Permasalahan mengambil buah dapat
dihitung dengan persamaan 2.3.

P ((k = biru, b = apel) ∧ (k = merah, b = jeruk))

(2.3)
= P (k = biru, b = apel) × P (k = merah, b = jeruk)

Aturan ini disebut aturan kali.

Untuk joint probability, secara umum dapat ditulis sebagai P (x, y). Apa-
bila kedua variabel x dan y tidak saling bebas, maka keduanya disebut de-
pendent. Artinya x dan y saling mempengaruhi. Apabila suatu variabel x
dikondisikan (conditioned ) oleh variabel lain (misal y). Maka probabilitas x
adalah conditional probability function, ditulis P (x | y). Artinya probabilitas
x yang dikondisikan oleh y. P (x | y) dapat dihitung dengan persamaan 2.4,

P (x, y)
P (x | y) = (2.4)
P (y)

yaitu peluang kejadian x dan y muncul bersamaan dibagi dengan peluang

kejadian y. Apabila x ternyata tidak dikondisikan oleh variabel y, maka P (x |
y) = P (x).

2.2 Probability Density Function

Probability density function dikenal juga dengan istilah distribusi, yaitu ten-
tang persebaran nilai. Sebagai contoh, penulis menceritakan pelajaran di seko-
lah. Terdapat ujian mata pelajaran di kelas yang beranggotakan 10 siswa,
diberikan pada Tabel 2.1. Terdapat 3 orang anak mendapatkan nilai 50, 2
orang anak mendapatkan nilai 75 dan 80, 1 orang anak mendapatkan nilai
100, 1 orang anak mendapat nilai 40, serta 1 orang anak mendapatkan nilai
10.
22 2 Fondasi Matematis

id nilai
1 50
2 75
3 80
4 100
5 50
6 50
7 75
8 80
9 40
10 10
Tabel 2.1. Contoh daftar nilai siswa

Guru ingin mengetahui persebaran (distribusi) nilai ujian untuk menen-

tukan batas kelas nilai (misal nilai “A” adalah ≥ 85) jadi, ia mencari perse-
baran nilai siswa. Ia menghitung seberapa mungkin siswa tertentu menda-
pat nilai tertentu, dapat dilihat pada Gambar 2.2. Grafik itu disebut sebagai
distribusi. Fungsi yang menghasilkan distribusi tersebut disebut probability
density function. Apabila kita menjumlahkan probabilitas (probabilitas siswa
mendapat nilai 0 - 100) nilainya adalah 1.

Histogram of data
0.4
0.3
Probabilitas

0.2
0.1
0.0

20 40 60 80 100

Nilai

Gambar 2.2. Persebaran probabilitas nilai siswa

 2.4 Bayesian Probability 23

Ini adalah contoh untuk data diskrit, tetapi sering kali kita berurusan
dengan data kontinu. Untuk mengetahui nilai probabilitas dari himpunan
event/kejadian, kita dapat mengintegralkan kurva distribusi kejadian pada
interval tertentu. Ciri probability density function,
R∞ nilai dibawah kurva pada
interval −∞ sampai ∞ adalah 1 (p(x) ≥ 0; −∞ p(x)dx = 1).

2.3 Expectation dan Variance

Salah satu operasi paling penting dalam probabilitas adalah menemukan nilai
rata-rata (average) sebuah fungsi [8]. Hal ini disebut menghitung ekspektasi
(expectation). Untuk sebuah fungsi f (x) dengan distribusi probabilitas ran-
dom variable adalah p(x), nilai expectation diberikan pada persamaan 2.5.
P
p(x)f (x); diskrit
E(f ) = R x (2.5)
p(x)f (x)dx; kontinu
Dalam kasus nyata, misalkan diberikan N buah sampel, random variable
x dan fungsi f (x), dimana sampel tersebut diambil dengan distribusi tertentu
yang kita tidak ketahui, maka fungsi untuk menghitung nilai expectation men-
jadi persamaan 2.6,
N
1 X
E(f ) ' f (xi ) (2.6)
N i=1

dimana xi merepresentasikan data ke-i (point). Perhatikan, persamaan terse-

but sama dengan persamaan untuk menghitung rata-rata (mean atau µ)
seperti yang sudah kamu pelajari di SMA. Untuk mengetahui seberapa vari-
asi nilai f (x) di sekitar nilai rata-ratanya, kita menghitungnya mengunakan
variance, disimbolkan dengan var(f ) atau σ 2 (persamaan 2.7).

σ 2 = var(f ) = E(f (x) − E(f (x))2 ) (2.7)

Bila nilai variance tinggi, secara umum banyak variabel yang nilainya jauh
dari nilai rata-rata. Interpretasi secara “geometris” mata, berarti distribusinya
semakin “lebar” seperti pada Gambar 2.3. Untuk fungsi dengan lebih dari
satu variabel, kita menghitung covariance. Covariance adalah variance untuk
kombinasi variabel.

2.4 Bayesian Probability

Pada subbab sebelumnya, kita menghitung probabilitas dengan frekuensi ke-
jadian yang dapat diulang. Pada pandangan Bayesian, kita ingin menguan-
tifikasi ketidakpastian untuk kejadian yang mungkin sulit untuk diulang. Mis-
alkan kita ingin tahu, seberapa peluang Mars dapat dihuni. Ini adalah sesuatu
yang tidak dapat dihitung dengan frekuensi, maupun sebuah kejadian yang
24 2 Fondasi Matematis

dapat diulangi (pergi ke mars, lihat berapa orang yang hidup). Akan tetapi,
tentunya kita memiliki sebuah asumsi awal (prior ). Dengan sebuah alat cang-
gih baru, kita dapat mengumpulkan data baru tentang Mars. Dengan data
tersebut, kita mengoreksi pendapat kita tentang Mars (posterior ). Hal ini
menyebabkan perubahan dalam pengambilan keputusan.
Pada keadaan ini, kita ingin mampu menguantifikasi ekspresi ketidakpas-
tian; dan membuat revisi tentang ketidakpastian menggunakan bukti baru [8].
Dalam Bayesian, nilai probabilitas digunakan untuk merepresentasikan dera-
jat kepercayaan/ketidakpastian.

P (y | x)P (x)
P (x | y) = (2.8)
P (y)
P (x) disebut prior, yaitu pengetahuan/asumsi awal kita. Setelah kita
mengobservasi fakta baru y (dapat berupa sekumpulan data atau satu data
point/event), kita mengubah asumsi kita. P (y | x) disebut likelihood func-
tion. Likelihood function mendeskripsikan peluang data, untuk asumsi/ penge-
tahuan tentang x yang berubah-ubah (x sebagai parameter yang dapat
diatur). Dengan likelihood function tersebut, kita mengoreksi pendapat akhir
kita yang dapat digunakan untuk mengambil keputusan (posterior ). Secara
umum probabilitas Bayesian mengubah prior menjadi posterior akibat adanya
kepercayaan baru (likelihood ).

posterior ∝ likelihood ∗ prior (2.9)

Teori ini hebat karena kita dapat mentransformasi P (x | y) dimana x depen-
den terhadap y menjadi bentuk P (y | x) yang mana y dependen terhadap x.
Transformasi ini sangat berguna pada berbagai macam persoalan.
Pada umumnya, untuk mengestimasi likelihood, digunakan maximum like-
lihood estimator ; yang berarti mengatur nilai x untuk memaksimalkan nilai
P (y | x). Dalam literatur machine learning, banyak menggunakan negative log
of likelihood function [8]. Ingat kembali nilai probabilitas 0 ≤ P ≤ 1. Kadan-
gkala, nilai dibelakang koma (0.xxxx) sangatlah panjang, sehingga dapat ter-
jadi underf low pada komputer. Kita menggunakan nilai logaritma probabili-
tas untuk menghindari underf low. Nilai probabilitas 0 ≤ P ≤ 1 membuat ni-
lai logaritmanya sebagaian besar negatif, secara monotonik bertambah, maka
memaksimalkan nilai likelihood ekuivalen dengan meminimalkan negatif log-
aritma probabilitas (contoh nyata akan diberikan pada subbab 2.5).
Perhatikan kembali persamaan 2.8, secara intuitif, posterior dipengaruhi
prior, artinya bergantung pada sampel yang kita punya, karena prior didap-
atkan/disimpulkan berdasarkan sampel. Hal ini berlaku pada machine learn-
ing, kualitas model yang dihasilkan bergantung pada kualitas training data.
Pada umumnya, kita tidak mengetahui seluruh informasi tentang situasi
tertentu dan tidak mengetahui seluruh informasi probabilitas. Sebagai contoh,
probabilitas P (x | y) dapat dihitung dengan P (x, y)/P (x). Tetapi, kita tidak
tahu seberapa banyak kejadian (x, y) pada saat bersamaan. Oleh sebab itu,
 2.5 Gaussian Distribution 25

kita bisa menggunakan teori bayes untuk menghitung probabilitas dengan

informasi lain yang kita tahu.

2.5 Gaussian Distribution

Distribusi adalah fenomena acak atau deskripsi matematis suatu random vari-
able. Kamu harusnya sudah mengetahui distribusi ini. Ini adalah distribusi
yang sangat terkenal yaitu bell curve/distribusi normal. Distribusi normal
adalah bentuk khusus dari Gaussian distribution. Ada beberapa macam dis-
tribusi yang akan dibahas pada bab ini, yaitu: Univariate Gaussian, Multivari-
ate Gaussian, dan Gaussian Mixture Model. Pertama kita bahas Univariate
Gaussian terlebih dahulu.
Disebut univariate karena distribusinya bergantung pada satu input vari-
abel, misalkan x. Distribusi univariate Gaussian dikarakteristikkan oleh vari-
abel x, mean (µ) dan variance (σ 2 ) diberikan pada persamaan 2.10. µ dan
σ 2 adalah rata-rata dan variance untuk kumpulan data. Karena nilai µ dan
σ 2 bergantung pada x, maka kita dapat menyebutkan dengan aman bahwa
univariate gaussian bergantung pada satu variabel saja yaitu x.

(x − µ)2
 
1
N (x|µ, σ 2 ) = √ exp − (2.10)
2πσ 2 2σ 2

1
Gambar 2.3. Univariate Gaussian

Perhatikan Gambar 2.3, x adalah absis dan nilai N untuk x tertentu (per-
samaan 2.10) adalah ordinat pada kurva ini. Bentuk distribusi berubah-ubah
sesuai dengan nilai rata-rata (mean), serta variance. Semakin besar variance-
nya, maka kurva distribusi semakin lebar (seperti yang dijelaskan sebelum-
nya). Untuk menggeser-geser kurva ke kiri maupun ke kanan, dapat dilakukan

1
source: wikimedia.org by Inductiveload
26 2 Fondasi Matematis

dengan menggeser nilai mean. Untuk mencari nilai pada suatu interval ter-
tentu, cukup mengintegralkan fungsi pada interval tersebut. Nilai integral
fungsi dari −∞, hingga ∞ adalah satu.
Sekarang bayangkan kita diberikan N buah data hasil observasi. Diasum-
sikan observasi dihasilkan oleh distribusi univariate Gaussian dengan rata-rata
µ dan variance σ 2 . Setiap data diambil secara independen dari distribusi yang
sama, disebut independent and identically distributed (iid). Kita tahu
bahwa data yang independen, apabila dihitung probabilitasnya maka tersusun
atas probabilitas masing-masing data, seperti pada persamaan 2.11.
N
Y
p(x|µ, σ 2 ) = N (xi |µ, σ 2 ) (2.11)
i=1

Kita ingin mencari tahu bagaimana distribusi yang sebenarnya. Untuk itu,
kita mengoptimalkan fungsi likelihood agar prior berubah menjadi posterior
(distribusi yang sebenarnya). Tetapi hal ini sulit dilakukan, bahkan sebaliknya
kita memaksimalkan log likelihood function berdasarkan data yang kita miliki.
Logaritma secara monotonik akan bertambah nilainya. Memaksimalkan fungsi
logaritma sebanding dengan meminimalkan error, hal ini diberikan pada per-
samaan 2.12.

N
2 1 X N N
ln(p(x|µ, σ )) = − 2 (xi − µ)2 − ln(σ 2 ) − ln(2π) (2.12)
2σ i=1 2 2

Untuk menyederhanakan pembahasan, solusi 2.12 diberikan langsung pada 2.132 .

N N
1 X 1 X
µ= xi ; σ2 = (xi − µ)2 (2.13)
N i=1 N i=1
Dibanding langkah-langkah penurunannya, interpretasi berikut kemungk-
inan lebih penting. Arti persamaan 2.13 adalah kita dapat mengestimasi
distribusi populasi menggunakan sampel data yang kita miliki. Mean
distribusi populasi diestimasi dengan mean sampel. Variance distribusi pop-
ulasi diestimasi dengan variance sampel. Inilah jantung machine learning!
Masih ingat materi bab 1? Pada machine learning, kita mengestimasi sesuatu
yang kita tidak ketahui dengan sampel data yang kita miliki. Dengan kata
lain, kita menggunakan informasi probabilitas data yang kita ketahui untuk
mengestimasi kejadian yang belum pernah kita temui sebelumnya. Proses es-
timasi akan dibahas lebih lanjut pada bab-bab lainnya.
Multivariate Gaussian adalah distribusi gaussian yang bergantung pada
lebih dari satu variabel. Sedangkan Gaussian Mixture Model (GMM) adalah
gabungan dari satu atau lebih distribusi Gaussian. Masing-masing distribusi

2
Kamu dapat mencoba menurunkannya sebagai latihan!
 2.6 Teori Keputusan 27

Gaussian memiliki bobot yang berbeda di GMM. Konon katanya, GMM da-
pat memodelkan fungsi apapun [12]. Ilustrasinya diberikan pada Gambar 2.4
yang tersusun dari 3 buah Univariate gaussian. Distribusi populasi berwarna
merah, sedangkan GMM berwarna biru.

3
Gambar 2.4. Gaussian Mixture Model

2.6 Teori Keputusan

Diberikan himpunan pasangan data input-output (xi , yi ); x = input, y =
output/target; walaupun tidak pasti, kita ingin mengestimasi hubungan an-
tara input dan output. Untuk itu kita melakukan estimasi p(y | x, w), dimana
w adalah learning parameters. Pada bab pertama, kamu telah mempelajari
bahwa kita mampu melakukan hal ini dengan teknik machine learning. Lebih
jauh lagi, kita juga harus mampu untuk membuat keputusan berbasiskan
perkiraan nilai y, aspek ini disebut decision theory [8].
Dalam machine learning kita dapat membangun model dengan tujuan
untuk meminimalkan error atau meminimalkan loss; konsep meminimalkan
error dijelaskan pada materi curve fitting (bab 5). Ibaratnya untuk sebuah
robot, kita ingin robot tersebut tidak melakukan tindakan yang salah. Tetapi,
kadang kala meminimalkan error belum tentu membuat model menjadi
“bagus”. Kami ilustrasikan menggunakan contoh dari Bishop [8]. Misalkan
kita diminta untuk membuat model klasifikasi kanker. Kita dapat mengklasi-
fikasikan pasien menjadi dua kelas {kanker, normal}.
Apabila kita ingin meminimalkan error saja maka kita ingin mengklasi-
fikasikan secara tepat orang yang kanker dianggap memiliki kanker dan yang
tidak dianggap sebagai tidak. Akan tetapi, terdapat tradeoff yang berbeda
saat salah klasifikasi. Apabila kita mengklasifikasikan orang yang normal se-
bagai kanker, konsekuensi yang mungkin adalah membuat pasien menjadi

3
http://dirichletprocess.weebly.com/clustering.html
28 2 Fondasi Matematis

stres atau perlu melakukan pemeriksaan ulang. Tetapi bayangkan, apabila

kita mengklasifikasikan orang kanker sebagai normal, konsekuensinya adalah
penanganan medis yang salah. Kedua kasus ini memiliki beban yang berbeda.
Secara formal, kasus ini disebut loss. Secara sederhana, kesalahan klasifikasi
memiliki bobot berbeda untuk tiap kelasnya. Pada buku ini, kita anggap ke-
salahan klasifikasi memiliki penalti yang sama. Dengan demikian, loss dan
error akan mengacu pada hal yang sama di bab-bab berikutnya. Demi istilah
yang lebih generik, loss akan lebih sering digunakan.
Fungsi tujuan pembelajaran (secara umum untuk merepresentasikan error
atau loss) dituangkan dalam utility function. Sekali lagi kami tekankan, tujuan
machine learning adalah memaksimalkan kinerja. Kinerja diukur berdasarkan
utility function. Loss adalah ukuran seberapa dekat/berbeda model
yang dihasilkan dengan konsep asli, sementara error adalah salah satu
cara untuk mengukur loss.
Untuk mengukur nilai loss; dapat diekspresikan dengan loss function. Se-
cara umum, ada dua macam loss, yaitu generalization loss/error dan
training loss/error. Generalization loss/error adalah ukuran sejauh mana
algoritma mampu memprediksi unobserved data dengan tepat (saat testing),
karena kita hanya membangun model dengan data yang terbatas, tentunya
bisa saja terdapat ketidakcocokan dengan data yang asli. Sedangkan training
loss/error seperti namanya, ukuran loss saat training. Misalkan q(x) adalah
distribusi data asli. Menggunakan sampel data dengan distribusi p(x), gen-
eralization loss dan training loss dihitung dengan persamaan 2.14 dan per-
samaan 2.15.
Z
G(q, p) = q(x)log(p(x))dx (2.14)

N
1 X
T (p) = log(p(x)) (2.15)
N i=1
Tentunya sekarang kamu bertanya-tanya. Kita tidak mengetahui bagaimana
q(x) aslinya, bagaimana cara menghitung generalization loss? Nah, untuk it-
ulah ada teknik-teknik pendekatan distribusi populasi q(x), misalnya max-
imum likelihood method, maximum posterior method dan Bayesian
method (silahkan dieksplorasi). Bentuk persamaan 2.15 memiliki kaitan den-
gan confidence. Konsep ini akan dijelaskan lebih detil pada bab 5.
Secara lebih filosofis, berkaitan dengan meminimalkan loss; tugas machine
learning adalah untuk menemukan struktur tersembunyi (discovering hidden
structure). Hal ini sangat erat kaitannya dengan knowledge discovery dan data
mining. Bila kamu membuka forum di internet, kebanyakan akan membahas
perihal learning machine yang memaksimalkan akurasi (meminimalkan er-
ror ). Selain harus memaksimalkan akurasi (meminimalkan salah assignment),
kita juga harus mampu membuat model yang cukup generik. Artinya tidak
hanya memiliki kinerja tinggi pada training data, tapi juga mampu memiliki
 2.7 Teori Informasi 29

kinerja yang baik untuk unseen data. Hal ini dapat tercapai apabila model
yang dihasilkan melakukan inferensi yang mirip dengan inferensi sebenarnya
(konsep asli). Kami tekankan kembali, meminimalkan loss adalah hal yang
lebih penting, dimana meminimalkan error dapat digunakan sebagai sebuah
proxy untuk mengestimasi loss 4 .

2.7 Teori Informasi

Kami tidak akan membahas bagian ini terlalu detail, jika kamu membaca
buku, topik ini sendiri bisa mencapai satu buku [13]. Mudah-mudahan bab
ini dapat memberikan gambaran (serius, ini sekedar gambaran!). Information
Theory/Teori Informasi menjawab dua pertanyaan fundamental, pertama:
bagaimana cara kompresi data terbaik (jawab: entropy); kedua: apakah cara
transmisi komunikasi terbaik (jawab: channel capacity) [13]. Dalam statisti-
cal learning theory, fokus utama adalah menjawab pertanyaan pertama, yaitu
bagaimana melakukan kompresi informasi. Contoh aplikasi entropy adalah
decision tree learning.
Pada machine learning, kita ingin fitur pembelajaran yang digunakan
mampu melambangkan information source properties. Artinya, kita ingin
memilih fitur yang memuat informasi terbanyak (relatif terhadap information
source). Karena hal tersebut, mengerti entropy menjadi penting. Ada sebuah
strategi pemilihan fitur (feature selection) dengan membangun decision tree.
Awalnya kita bentuk training data dengan semua kemungkinan fitur, kemu-
dian mengambil beberapa fitur yang dekat dengan root. Hal tersebut dimak-
sudkan untuk mencari fitur yang memuat banyak informasi. Kemudian, fitur
tersebut dapat dicoba pada algoritma learning lainnya. Detil akan dijelaskan
pada bab yang memuat decision tree.

2.7.1 Entropy

Diberikan sebuah random variabel x, kita ingin mengetahui seberapa banyak

informasi yang kita dapatkan ketika kita mengobservasi sebuah nilai spesifik
xi . Kuantitas informasi yang kita dapatkan bisa dipandang sebagai “degree
of surprise” [8]. Misalkan kita mengetahui seorang teman A sering makan es
krim. Suatu ketika kita diberitahu bahwa dia sedang makan es krim, tentu
kita tidak heran lagi karena hal tersebut sudah lumrah. Tetapi, apabila kita
diberitahu bahwa teman A tidak memakan es krim yang diberikan teman
B (padahal kita tahu dia suka), maka akan ada efek “kaget”. Kasus kedua
memuat lebih banyak informasi karena suatu kejadian yang seharusnya tidak
mungkin, terjadi. Hal ini dikuantifikasi dengan persamaan Shannon En-
tropy 2.16.

4
Untuk banyak kasus.
30 2 Fondasi Matematis
N
X
S(x) = − p(xi )log(p(xi )) (2.16)
i=1

Mari kita ambil contoh dari Bishop [8]. Misalkan sebuah random variable
x memiliki 8 kemungkinan kejadian yang kemungkinannya sama (yaitu 81 ).
Entropy untuk kasus ini adalah (log dalam basis 2) diberikan oleh
1 1
S = −8 log( ) = 3 (2.17)
8 8
Sekarang mari kita ambil contoh dari [13]. Misalkan sebuah random vari-
able x memiliki 8 kemungkinan kejadian {a, b, c, d, ..., h} dengan peluang
1 1 1 1 1 1 1 1
2 , 4 , 8 , 16 , 64 , 64 , 64 , 64
Maka entropy-nya adalah 2. Dari contoh ini, kita tahu bahwa distribusi yang
uniform memiliki entropy yang lebih besar dibanding distribusi yang tidak
uniform. Banyaknya informasi sebanding dengan penurunan nilai entropy.
Seperti yang telah diceritakan sebelumnya, event yang memiliki “efek
kaget” memiliki banyak informasi. Dari sisi information transmission, da-
pat diinterpretasikan kita dapat mengirimkan data sebuah distribusi dengan
jumlah bit lebih sedikit untuk distribusi yang uniform. Distribusi yang mem-
berikan nilai entropy maksimal adalah distribusi Gaussian [8]. Nilai entropy
bertambah seiring variance distribusi bertambah. Dari sisi fisika, kamu dapat
mempelajari entropy pada statistical mechanics (microstate, macrostate).

2.7.2 Relative Entropy dan Mutual Information

Kami harap kamu masih ingat materi bab 1, karena materi bagian ini juga
menyinggung kembali materi tersebut. Misalkan kita mempunyai data dengan
probability density function q(x). Sebuah learning machine mengaproksimasi
data tersebut dengan probability density function p(x). Ingat! Machine learn-
ing adalah pendekatan (approximation). Ketika kita melakukan aproksimasi,
seringkali aproksimasi yang dilakukan tidaklah tepat seperti pada Gambar 2.5.
Tentunya kita ingin tahu seberapa bagus aproksimasi kita, untuk men-
gukurnya terdapat sebuah perhitungan yang bernama Kullback-Leibler
Divergence (KL-divergence). Secara konseptual, dirumuskan sebagai per-
samaan 2.18. Perlu diperhatikan KL(q||p) 6= KL(p||q) (kecuali p = q).
Z  
q(x)
KL(q||p) = − q(x)log dx (2.18)
p(x)
Persamaan 2.18 dapat diminimalkan jika dan hanya jika q(x) = p(x). Kita
dapat menganggap KL-divergence sebagai ukuran seberapa jauh aproksimasi
dan distribusi populasi. Akan tetapi, kita tidak mengetahui q(x). Karena itu,
kita harus mengaproksimasi KL-divergence. Misalkan kita diberikan train-
ing data x = {x1 , x2 , ...xn } yang kita asumsikan diambil (drawn) dari suatu
distribusi q(x). Lalu kita membuat learning machine p(x | w). Ekspektasi
 2.8 Matriks 31

Gambar 2.5. Information source vs learning machine

terhadap q(x) dapat diaproksimasi dengan menggunakan data sampel ini, se-
hingga menjadi persamaan 2.19 [8].
N
1 X
KL(q||p) ≈ (−log(p(xi | w)) + log(q(xi ))) (2.19)
N i=1

KL-divergence disebut juga sebagai relative entropy 5 . Dari sisi pemros-

esan informasi, KL-divergence dapat diinterpretasikan sebagai berapa infor-
masi tambahan rata-rata untuk mengirimkan data distribusi dengan meng-
gunakan fungsi aproksimasi dibanding menggunakan distribusi sebenarnya,
seberapa pengurangan ketidakyakinan terhadap posterior seiring diberikan-
nya data observasi yang baru. Dengan kata lain, seiring diberikan obser-
vasi yang baru, kita semakin yakin terhadap nilai posterior (semakin
banyak jumlah sampel yang kita miliki maka model lebih dapat dipercaya).

2.8 Matriks
Subbab ini adalah pengingat untuk operasi perjumlahan, pengurangan, per-
kalian, dan transpose matriks karena banyak digunakan di buku ini. Diberikan
5
kamu dapat mencoba library entropy di scipy (python) untuk mendapat gam-
baran lebih detil
https://docs.scipy.org/doc/scipy/reference/generated/scipy
.stats.entropy.html
32 2 Fondasi Matematis

dua buah matriks U dan V. U dan V dapat dijumlahkan jika dan hanya jika
dimensi kedua matriks itu sama. Perjumlahan matriks dinotasikan dengan
U + V = C. Matriks C memiliki dimensi yang sama dengan U dan V. Nilai
elemen baris ke-i dan kolom ke-j (Ci,j ) dihitung sebagai penjumlahan nilai
elemen matriks U dan V pada baris dan kolom yang bersesuaian, seperti
diilustrasikan pada persamaan 2.20. Pengurangan dua buah matriks dilakukan
serupa.

Ci,j = Ui,j + Vi,j (2.20)

Dua buah matriks U dan V dapat dikalikan jika U memiliki kolom se-
banyak baris pada V. Misalkan matriks U berdimensi N × M dan V berdi-
mensi M ×O, maka kedua matriks tersebut dapat dikalikan dan menghasilkan
matriks C dengan dimensi N × O (dimensi baris U dan kolom V), dimana
tiap elemen pada matriks C dihitung dengan persamaan 2.21 (operasi antara
vektor baris dan vektor kolom).
M
X
Cx,y = Ux,i + Vi,y (2.21)
i=1

Selain perkalian antar dua buah matriks, sebuah matriks juga dapat dikalikan
dengan skalar, dinotasikan dengan aU. Hasil perkalian adalah sebuah matriks
dengan dimensi yang sama dengan U, dimana tiap elemen dikalikan dengan
nilai skalar.
(aU)i,j = a × Ui,j (2.22)
Suatu matriks U berdimensi N × M apabila di transpose menghasilkan
matriks UT berdimensi M ×N , dimana elemen ke-i, j pada matriks UT adalah
elemen ke-j, i pada matriks U, seperti diilustraiskan pada persamaan 2.21.

UTi,j = Uj,i (2.23)

Ada satu istilah lagi yang perlu kamu ketahui yaitu tensor. Tensor adalah
generalisasi untuk vektor (1 dimensi) dan matriks (2 dimensi) yang memiliki N
dimensi. Tensor sering digunakan untuk notasi pada artificial neural network.
Tetapi demi kemudahan pengertian, penulis menggunakan notasi matriks.

2.9 Bacaan Lanjutan

Untuk lebih mengerti, silahkan membaca buku statistical mechanis oleh Hi-
toshi Nishimori [14], buku probabilitas dan statistika oleh Walpole et al. [15]
atau Brian Caffo [10], buku aljabar linear oleh Gilbert Strang [16] dan buku
statistical learning theory oleh James et al. [17].
 2.9 Bacaan Lanjutan 33

Soal Latihan
2.1. KL-divergence
Cari tahu lebih lanjut apa itu Kullback-Leibler (KL) Divergence. Apa hubun-
gan KL-divergence dengan utility function? Pada kasus apa saja kita dapat
menggunakan KL-divergence sebagai utility function?

2.2. Utility Function

Selain utility function yang telah disebutkan, sebutkan dan jelaskan utility
function lainnya!

2.3. Gaussian Mixture Model

(a) Sebutkan algoritma-algoritma machine learning yang (in a sense) bisa
mengaproksimasi Gaussian Mixture Model !
(b) Apa yang begitu spesial pada GMM sehingga algoritma machine learing
mencoba mengaproksimasi GMM?
3
Data Analytics

“Hiding within those mounds of

data is knowledge that could
change the life of a patient, or
change the world”

Atul Butte

Bab ini memuat penjelasan tahapan-tahapan umum untuk analisis data,

serta beberapa karakteristik tipe data. Materi pada bab ini dapat dianggap
sebagai kerangka berpikir (framework ) atau langkah kerja. Karena buku ini
hanya bersifat pengantar, materi yang disampaikan mungkin kurang lengkap.
Penulis menyarankan pembaca untuk membaca buku oleh Witten et al. [18]
dan Jeff Leek [19].

3.1 Pengenalan Data Analytics

Secara umum, subbab ini adalah ringkasan dari buku Jeff Leek [19]. Un-
tuk detailnya, kamu dapat membaca buku tersebut secara langsung. Penulis
merekomendasikan buku tersebut karena ringkas dan mudah dipahami bahkan
oleh pemula.
Kita tahu di dunia ini ada banyak masalah. Masalah adalah ketika tujuan
yang diinginkan tidak tercapai (current state bukanlah desired state). Agar
current state menjadi desired state, kita melakukan kegiatan yang disebut
penyelesaian masalah (problem solving). Tiap bidang (domain) mendefinisikan
permasalahan secara berbeda. Oleh karena itu, mengetahui teknik machine
learning tanpa mengetahui domain aplikasi adalah sesuatu yang kurang baik
(semacam buta). Kamu memiliki ilmu, tetapi tidak tahu ilmunya mau di-
gunakan untuk apa. Contohnya, bidang keilmuan pemrosesan bahasa alami
(natural language processing) menggunakan machine learning untuk mengk-
lasifikasikan teks; bidang keilmuan pemrosesan suara menggunakan machine
36 3 Data Analytics

learning untuk mentranskripsikan suara manusia menjadi teks. Tiap bidang

merepresentasikan permasalahan ke dalam formulasi yang berbeda. Bisa jadi
bentuk komputasi (representasi) pada bidang satu berbeda dengan bidang
lainnya. Hal ini perlu kamu ingat karena interpretasi representasi sangat
bergantung pada konteks permasalahan (domain). Buku ini adalah penge-
nalan teknik yang bersifat umum.
Seperti yang sudah dijelaskan pada bab-bab sebelumnya. Machine learn-
ing adalah inferensi berdasarkan data. Raw data atau data mentah adalah
sekumpulan fakta (record, event) yang kemungkinan besar tidak memberikan
penjelasan apapun. Sama halnya dengan kebanyakan data di dunia nyata, raw
data bersifat tidak rapih, misalnya mengandung missing value atau ada data
yang tidak memiliki label padahal data lainnya memiliki label (ingat kem-
bali materi bab 1). Agar mampu menganalisis raw data menggunakan teknik
machine learning, pertama-tama kita harus merapikan data sesuai dengan
format yang kita inginkan (dataset). Setelah itu, kita menggunakan teknik-
teknik yang ada untuk menemukan pola-pola yang ada di data. Dalam komu-
nitas peneliti basis data, dipercaya bahwa data memiliki sangat banyak relasi
yang mungkin tidak bisa dihitung. Teknik machine learning hanya mampu
mengeksplorasi sebagian relasi yang banyak itu. Lalu, kita analisis informasi
yang kita dapatkan menjadi pengetahuan yang digunakan untuk memecahkan
permasalahan atau membuat keputusan.
Setelah kita menganalisis data dan mendapatkan pengetahuan baru, penge-
tahuan yang kita temukan dari data pada umumnya dipresentasikan (konfer-
ensi, rapat, dsb). Hal umum yang dipaparkan saat presentasi, yaitu:
1. Performance measure. Seberapa “bagus” model/ metode yang kamu buat/
ajukan, dibandingkan menggunakan teknik-teknik yang sudah ada. Per-
formance measure biasa disajikan dalam bentuk tabel. Perhatikan, men-
gatakan model/metode kamu “lebih bagus” adalah suatu hal subjektif,
untuk itu gunakanlah metode kuantitatif, seperti p-value dalam statis-
tik (hypothesis testing 1 ) untuk mengatakan bahwa memang metode kamu
lebih baik (berbeda) dari baseline.

2. Tren. Bagaimana pola-pola umum yang ada di data, sesuai dengan tujuan
analisis (permasalahan). Biasa disajikan dalam bentuk teks, kurva, atau
grafik.

3. Outlier. Sajikan data-data yang “jarang” atau tidak sesuai dengan tren
yang ada. Apa beda sifat data outlier ini dibanding data pada tren?
Kamu harus menganalisis hal ini untuk meningkatkan performance mea-
sure pada penelitian/analisis mendatang. Apakah outlier ini penting un-
tuk diurus atau bisa dipandang sebelah mata tanpa membahayakan kepu-
tusan/sistem? Tidak jarang kamu mendapat inspirasi untuk meningkatkan

1
https://onlinecourses.science.psu.edu/statprogram/node/138
 3.2 Nilai Atribut dan Transformasi 37

id outlook temperature humidity windy play (class)

1 sunny hot high false no
2 sunny hot high true no
3 overcast hot high false yes
4 rainy mild high false yes
5 rainy cool normal false yes
6 rainy cool normal true no
7 overcast cool normal true yes
8 sunny mild high false no
9 sunny cool normal false yes
10 rainy mild normal false yes
11 sunny mild normal true yes
12 overcast mild high true yes
13 overcast hot normal false yes
14 rainy mild high true no
Tabel 3.1. Contoh dataset play tennis (UCI machine learning repository)

kinerja sistem setelah menganalisis outlier.

Langkah kerja yang dijelaskan ini adalah pekerjaan rutin data scientist.
Penulis ingin menekankan sekali lagi, bahwa memahami machine learning
saja tidak cukup, kamu harus memahami domain permasalahan agar
mampu melakukan analisis dengan tepat. Terdapat banyak hal yang hanya
mampu kamu pahami dari menganalisis data, apabila kamu mengerti domain
aplikasi.

3.2 Nilai Atribut dan Transformasi

Perhatikan Tabel 3.1 yang merupakan contoh dataset pada machine learning.
Dataset adalah kumpulan data. Seorang anak ingin bermain tenis, tetapi
keputusannya untuk bermain tenis (play) tergantung pada empat variabel
{outlook, temperature, humidity, windy}. Keempat variabel ini disebut fitur.
Setiap fitur memiliki atribut nilai dengan tipe data dan range tertentu.
Keputusan untuk bermain (play) disebut sebagai label atau kelas (class).
Pada bab 1 kamu telah diperkenalkan supervised learning dan unsupervised
learning. Pada supervised learning, kita ingin mengklasifikasikan apakah seo-
rang anak akan bermain atau tidak, diberikan fitur-fitur yang memuat kondisi
observasi. Pada unsupervised learning, informasi kolom play tidak diberikan,
kita harus mengelompokkan data tersebut sesuai dengan fitur-fiturnya (con-
toh lebih nyata diberikan pada bab 4).
Dari segi data statistik, terdapat beberapa tipe atribut [20]:
1. Nominal. Nilai atribut bertipe nominal tersusun atas simbol-simbol yang
berbeda, yaitu suatu himpunan terbatas. Sebagai contoh, fitur outlook
38 3 Data Analytics

pada Tabel 3.1 memiliki tipe data nominal yaitu nilainya tersusun oleh
himpunan {sunny, overcast, rainy}. Pada tipe nominal, tidak ada urutan
ataupun jarak antar atribut. Tipe ini sering juga disebut kategorial atau
enumerasi. Secara umum, tipe output pada supervised learning adalah
data nominal.

2. Ordinal. Nilai ordinal memiliki urutan, sebagai contoh 4 > 2 > 1. Tetapi
jarak antar suatu tipe dan nilai lainnya tidak harus selalu sama, seperti
4 − 2 6= 2 − 1. Atribut ordinal kadang disebut sebagai numerik atau kon-
tinu.

3. Interval. Tipe interval memiliki urutan dan range nilai yang sama. Seba-
gai contoh 1 − 5, 6 − 10, dst. Kita dapat mentransformasikan/ mengkon-
versi nilai numerik menjadi nominal dengan cara merubahnya menjadi
interval terlebih dahulu. Lalu, kita dapat memberikan nama (simbol) un-
tuk masing-masing interval. Misalkan nilai numerik dengan range 1 − 100
dibagi menjadi 5 kategori dengan masing-masing interval adalah {1 −
20, 21 − 40, . . . , 81 − 100}. Setiap interval kita beri nama, misal interval
81 − 100 diberi nama nilai A, interval 61 − 80 diberi nama nilai B.

4. Ratio. Tipe ratio (rasio) didefinisikan sebagai perbandingan antara suatu

nilai dengan nilai lainnya, misalkan massa jenis (fisika). Pada tipe ratio
terdapat absolute zero (semacam ground truth) yang menjadi acuan, dan
absolute zero ini memiliki makna tertentu.

Secara umum, data pada machine learning adalah nominal atau numerik
(ordinal). Variabel yang kita prediksi yaitu play disebut kelas/class/label.
Untuk setiap baris pada Tabel 3.1, baris kumpulan nilai variabel non-kelas
disebut vektor fitur/feature vector . Contohnya pada Tabel 3.1 id = 4,
feature vector -nya adalah {outlook=rainy, temperature=mild, humidity=high,
windy=false}. Feature vector adalah representasi dari suatu observasi/data.
Pada machine learning, kita melakukan operasi terhadap data pada represen-
tasi feature vector -nya. Kami serahkan pada pembaca untuk mencari contoh
dataset dengan tipe numerik sebagai pekerjaan rumah2 .

3.3 Ruang Konsep

Dengan data yang diberikan, kita ingin melakukan generalisasi aturan/ kon-
sep yang sesuai dengan data. Hal ini disebut sebagai inductive learning. Cara
paling sederhana untuk inductive learning adalah mengenumerasi seluruh ke-
mungkinan kombinasi nilai sebagai rule, kemudian mengeleminasi rule yang
tidak cocok dengan contoh. Metode ini disebut list-then-eleminate. Silahkan
2
https://www.cs.waikato.ac.nz/ml/weka/datasets.html
 3.4 Linear Separability 39

baca buku Tom Mitchell [4] untuk penjelasakn lebih rinci. Kemungkinan kom-
binasi nilai ini disebut sebagai ruang konsep (concept space). Sebagai contoh
pada Tabel 3.1 himpunan nilai masing-masing atribut yaitu:
• outlook = {sunny, overcast, rainy}
• temperature = {hot, mild, cold}
• humidity = {high, normal}
• windy = {true, f alse}
• play = {yes, no}
sehingga terdapat 3×3×2×2×2 = 72 kemungkinan kombinasi. Tentunya kita
tidak mungkin mengenumerasi seluruh kemungkinan kombinasi nilai karena
secara praktikal, atribut yang digunakan banyak. Terlebih lagi, apabila men-
genumerasi kombinasi atribut bertipe numerik.
Ada algoritma lain yang mendaftar “seluruh kemungkinan kombinasi”
bernama candidate-elemination algorithm yang lebih efisien dibanding list-
then-eliminate. Akan tetapi, algoritma ini computationally expensive secara
praktikal, dalam artian memiliki kompleksitas yang besar dan tidak bisa
menyelesaikan permasalahan nyata. Kamu dapat membaca algoritma ini
pada buku Tom Mitchell [4] juga. Selain inductive learning, kita juga dapat
melakukan deductive learning yaitu melakukan inferensi dari hal general men-
jadi lebih spesifik. Walau demikian, secara praktis kita sebenarnya melakukan
inductive learning.

3.4 Linear Separability

id humidity windy swim (class)

1 high high yes
2 normal normal no
Tabel 3.2. Contoh dataset linearly separable

Perhatikan Tabel 3.2. Data pada tabel tersebut kita sebut linearly sepa-
rable. Sederhananya, untuk suatu nilai tertentu, fitur hanya berkorespondensi
dengan kelas tertentu. Ambil contoh pada Tabel 3.2, saat humidity=high maka
swim=yes. Secara “geometris”, bila kita proyeksikan feature vector ke suatu
ruang dimensi, memisahkan kelas satu dan kelas lainnya dapat diperoleh den-
gan cara menciptakan garis linier (linear line – secara lebih umum, menggu-
nakan hyperplane 3 ). Ilustrasi dapat dilihat pada Gambar 3.1. Sementara pada
Tabel 3.1, bila kita hanya melihat fitur humidity saja, ketika humidity=high
bisa jadi play=yes atau play=no. Kasus ini disebut non-linearly separable.
3
https://en.wikipedia.org/wiki/Hyperplane
40 3 Data Analytics

Hidup kita tentu akan mudah apabila seluruh data bersifat linearly separable,
sayangnya kebanyakan data yang ada bersifat non-linearly separable.

Gambar 3.1. Linearly vs Non-Linearly Separable

Untuk memudahkan proses pada data non-linearly separable, kita pertama-

tama mentransformasikan data menjadi linearly-separable. Kita dapat meng-
gunakan teknik transformasi data menggunakan kernel function seperti radial
basis function 4 . Pada umumnya, kernel function mentransformasi data men-
jadi lebih tinggi (semacam menambah fitur). Misal dari data yang memiliki
dua fitur, ditransformasi menjadi memiliki tiga fitur. Akan tetapi, hal ini
tidak praktikal untuk banyak kasus (dijelaskan pada bab 11). Cara lainnya
adalah memisahkan data menggunakan model non-linear, contoh: artificial
neural network. Hal ini penting dipahami karena data yang bersifat linearly
separable mudah dipisahkan satu sama lain sehingga mudah untuk melakukan
classification atau clustering.

3.5 Seleksi Fitur

Pada subbab sebelumnya, telah dijelaskan bahwa kita dapat mentransformasi
data non-linearly separable menjadi linearly separable dengan cara menam-
bah dimensi data. Pada bab ini, penulis akan menjelaskan justru kebalikan-
nya! Pada permasalahan praktis, kita seringkali menggunakan banyak fitur
(computationally expensive). Kita ingin menyederhanakan fitur-fitur yang di-
gunakan, misalkan dengan memilih subset fitur awal, atas dasar beberapa
alasan [19, 4]5 :
1. Menyederhanakan data/model agar lebih mudah dianalisis.
4
Silakan baca teknik transformasi lebih lanjut pada literatur lain.
5
https://en.wikipedia.org/wiki/Feature_selection
 3.6 Classification, Association, Clustering 41

2. Mengurangi waktu training (mengurangi kompleksitas).

3. Menghindari curse of dimensionality. Hal ini dijelaskan lebih lanjut pada
bab 12.
4. Menghapus fitur yang tidak informatif.
5. Meningkatkan generalisasi dengan mengurangi overfitting.
Salah satu contoh cara seleksi fitur adalah menghapus atribut yang memi-
liki variance bernilai 0. Berdasarkan information theory atau entropy, fitur
ini tidak memiliki nilai informasi yang tinggi. Dengan kata lain, atribut yang
tidak dapat membedakan satu kelas dan lain bersifat tidak informatif. Kamu
dapat membaca beberapa contoh algoritma seleksi fitur pada library sklearn6 .

3.6 Classification, Association, Clustering

Pada supervsied learning, kita memprediksi kelas berdasarkan feature vector
yang merepresentasikan suatu instans (data/observasi). Feature vector bisa
diibaratkan sebagai sifat-sifat atau keadaan yang diasosiasikan dengan kelas.
Pada supervised learning, setiap feature vector berkorespondisi dengan kelas
tertentu. Mencari kelas yang berkorespondensi terhadap suatu input dise-
but klasifikasi (classification). Contoh klasifikasi adalah mengkategorikan
gambar buah (e.g. apel, jeruk, dsb). Sementara itu, apabila kita ingin mencari
hubungan antara satu atribut dan atribut lainnya, disebut association. Se-
bagai contoh pada Tabel 3.1, apabila outlook = sunny, maka sebagian besar
humidity = high. Di lain pihak, pada unsupervised learning tidak ada ke-
las yang berkorespondensi; kita mengelompokkan data dengan sifat-sifat yang
mirip, disebut clustering . Contoh clustering adalah pengelompokkan barang
di supermarket. Perlu kamu catat bahwa unsupervised learning 6= clustering.
Clustering adalah salah satu task pada unsupervised learning.
Pada Tabel 3.1, hanya ada dua kelas, klasifikasi data ini disebut binary
classification. Apabila kelas klasifikasi lebih dari dua, disebut multi-class
classification/multi-label classification. Mohon bedakan antara multi-
class classification dan multi-level/hierarchical classification. Pada
multi-level/hierarchical classification, pertama-tama kita melakukan klasi-
fikasi untuk suatu kelas generik, lalu dilanjutkan mengklasifikan data ke kelas
yang lebih spesifik. Contoh multi-level classification adalah kingdom (biologi),
pertama diklasifikasikan ke kingdom animalia, lalu lebih spesifiknya ke phylum
Vertebrata, dst. Multi-class/multi-label classification hanya proses klasifikasi
ke dalam banyak “kelas” tanpa tinjauan hirarkis. Klasifikasi yang telah dise-
butkan sebelumnya disebut juga sebagai hard classification, artinya apabila
data diklasifikasikan ke kelas tertentu, maka tidak mungkin data berada di
kelas lainnya (ya atau tidak). Selain hard classification, ada juga yang dise-
but sebagai soft classification, yaitu mengklasifikasikan data ke kelas-kelas

6
http://scikit-learn.org/stable/modules/feature_selection.html
42 3 Data Analytics

tertentu berdasarkan probabilitas (fuzzy). Misalkan data X memiliki 70%

probabilitas sebagai kelas A dan 30% sebagai kelas B.

3.7 Mengukur Kinerja

Pada bab 1, sudah dijelaskan bahwa kita harus mengukur kinerja model den-
gan cara yang kuantitatif. Salah satu contoh utility function yaitu squared
error function (dijelaskan kemudian pada bab 5). Selain error function,
kamu juga dapat membandingkan kinerja dengan menggunakan fungsi lainnya
seperti akurasi, presisi, recall, F1-measure, BLEU [21], ROUGE [22], intra-
cluster similarity, dsb. Masing-masing utility function mengukur hal yang
berbeda. Perlu kamu ketahui bahwa memilih ukuran kinerja tergantung pada
domain permasalahan. Misalkan pada translasi otomatis, peneliti menggu-
nakan ukuran BLEU; pada peringkasan dokumen, menggunakan ROUGE.
Sementara itu, pada information retrival /sistem temu balik informasi meng-
gunaan presisi, recall, F1-measure, atau mean average precision (MAP). Pada
domain klasifikasi gambar, menggunakan akurasi. Masing-masing utility func-
tion dapat memiliki cara mencapai titik optimal yang berbeda. Kamu harus
mengerti domain permasalahan untuk mengerti cara mencapai titik optimal.
Sebagai pengantar, diktat ini tidak dapat membahas seluruh domain. Dengan
demikian, kamu harus membaca lebih lanjut literatur spesifik domain, misal
buku pemrosesan bahasa alami atau sistem temu balik informasi, dsb. Seba-
gai contoh, untuk permasalahan klasifikasi, akurasi sering digunakan. Akurasi
didefinisikan pada persamaan 3.1
#input diklasifikasikan dengan benar
akurasi = (3.1)
banyaknya data

3.8 Evaluasi Model

Ada beberapa hal yang perlu kamu catat tentang proses evaluasi suatu model
pembelajaran mesin:
1. Data splitting. Seperti yang sudah dijelaskan pada subbab 1.5, pada
umumnya kita memiliki training, validation/development, dan testing
data. Mesin dilatih menggunakan training data, saat proses training,
performance measure diukur berdasarkan kemampuan mengenali/ men-
generalisasi validation data. Perlu diketahui, performance measure diukur
menggunakan validation data untuk menghindari overfitting dan under-
fitting. Setelah selesai dilatih, maka model hasil pembelajaran dievaluasi
dengan testing data. Training, validation, dan testing data tersusun oleh
data yang independen satu sama lain (tidak beririsan) untuk memastikan
model yang dihasilkan memiliki generalisasi cukup baik.
 3.8 Evaluasi Model 43

2. Overfitting dan Underfitting. Overfitting adalah keadaan ketika model

memiliki kinerja baik hanya untuk training data/seen examples tetapi
tidak memiliki kinerja baik untuk unseen examples. Underftting adalah
keadaan ketika model memiliki kinerja buruk baik untuk training data
dan unseen examples. Hal ini akan dibahas lebih detil pada subbab 5.7.
3. Cross validation. Cross validation adalah teknik untuk menganalisis
apakah suatu model memiliki generalisasi yang baik (mampu memiliki
kinerja yang baik pada unseen examples). Seperti yang kamu ketahui,
kita dapat membagi data menjadi training, validation, dan testing data.
Saat proses training, kita latih model dengan training data serta dievalu-
asi menggunakan validation data. Teknik cross validation bekerja dengan
prinsip yang sama, yaitu membagi sampel asli menjadi beberapa subsam-
pel dengan partisi sebanyak K (K-fold ). Ilustrasi diberikan oleh Gam-
bar 3.2. Persegi panjang melambangkan suatu instans. Saat proses train-
ing, kita bagi data menjadi training data dan test data (i.e., validation
data). Hal ini diulang sebanyak K kali. Kita evaluasi kemampuan gener-
alisasi model dengan merata-ratakan kinerja pada tiap iterasi. Setelah itu,
model dengan kinerja terbaik (pada iterasi teretentu) digunakan lebih lan-
jut untuk proses testing atau dipakai secara praktis. Perlu diperhatikan,
setiap subsampel sebaiknya memiliki distribusi yang sama dengan sampel
aslinya (keseluruhan sampel); i.e., pada contoh, proporsi warna biru dan
merah adalah sama tiap partisi tiap iterasi. Konsep tersebut lebih dikenal
dengan stratified sampling 7 .

Gambar 3.2. Ilustrasi 3-fold cross validation

7
https://en.wikipedia.org/wiki/Stratified_sampling
44 3 Data Analytics

3.9 Kategori Jenis Algoritma

Algoritma pembelajaran mesin dapat dibagi menjadi beberapa kategori. Dari
sudut pandang apakah algoritma memiliki parameter yang harus dioptimasi,
dapat dibagi menjadi8 :
1. Parametrik. Pada kelompok ini, kita mereduksi permasalahan sebagai
optimisasi parameter. Kita mengasumsikan permasalahan dapat dilam-
bangkan oleh fungsi dengan bentuk tertentu (e.g., linear, polinomial, dsb).
Contoh kelompok ini adalah model linear.
2. Non parametrik. Pada kelompok ini, kita tidak mengasumsikan per-
masalahan dapat dilambangkan oleh fungsi dengan bentuk tertentu. Con-
toh kelompok ini adalah Naive Bayes, decision tree (ID3) dan K-Nearest
Neighbors.
Dari sudut pandang lainnya, jenis algoritma dapat dibagi menjadi:
1. Model linear, contoh regresi linear, regresi logistik, support vector ma-
chine.
2. Model probabilistik, contoh Naive Bayes, hidden markov model.
3. Model non-linear, yaitu (typically) artificial neural network.
Selain kedua skema pengkategorian ini, terdapat skema pengkategorian lain
(silahkan eksplorasi sendiri).

3.10 Tahapan Analisis

Bagian ini adalah ringkasan bab ini. Untuk menganalisis data, terdapat
langkah yang perlu kamu perhatikan
1. Memutuskan tujuan analisis data (defining goal )
2. Mendapatkan data
3. Merapihkan data
4. Merepresentasikan data sebagai feature vector
5. Melakukan transformasi dan/atau feature selection (mengurasi dimensi
feature vector )
6. Melatih model (training)
7. Melakukan testing dan analisis model baik secara kuantitatif dan kuali-
tatif
8. Menyajikan data (presentasi)

8
Artificial Neural Network dapat dikategorikan ke dalam keduanya.
 3.10 Tahapan Analisis 45

Soal Latihan
3.1. Konversi atribut
Sebutkan dan jelaskan macam-macam cara untuk mengkonversi atribut! Se-
bagai contoh, numerik-nominal dan nominal-numerik.

3.2. Transformasi data

Sebutkan dan jelaskan macam-macam cara transformasi data (e.g. merubah
non-linearly separable menjadi linearly separable)

3.3. Seleksi fitur

Bacalah algoritma seleksi fitur pada library sklearn. Jelaskan alasan (ratio-
nale) dibalik penggunaan tiap algoritma yang ada!

3.4. Inductive Learning

Jelaskanlah algoritma list-then-eliminate dan candidate-elimination!
 Bagian II

Algoritma Pembelajaran Mesin

4
Algoritma Dasar

“It is a capital mistake to

theorize before one has data.”

Arthur Conan Doyle

Sebelum masuk ke algoritma machine learning yang cukup modern/

matematis, kami akan memberi contoh algoritma yang lebih mudah yaitu
Naive Bayes, K-means, dan K-nearest-neighbor. Algoritma-algoritma
ini tergolong non-parametrik. Bab ini akan memuat contoh sederhana super-
vised dan unsupervised learning. Mudah-mudahan bab ini memberikan kamu
gambaran aplikasi machine learning sederhana.

4.1 Naive Bayes

Naive Bayes adalah algoritma supervised learning yang sangat sederhana [23].
Idenya mirip dengan probabilitas bayesian pada bab 2. Secara formal, per-
samaan Naive Bayes untuk klasifikasi diberikan pada persamaan 4.1 dimana
ci adalah suatu nilai kelas, C adalah kelas (himpunan), t adalah fitur (satu
fitur, bukan feature vector ) dan F adalah banyaknya fitur. Kita memprediksi
kelas berdasarkan probabilitas kemunculan nilai fitur pada kelas tersebut.
Pertama, kita hitung likelihood suatu feature vector diklasifikasikan ke ke-
las tertentu berdasarkan bagaiman probabilitas korespondensi fitur-fiturnya
terhadap kelas tersebut (persamaan 4.1). Kemudian, kita normalisasi likeli-
hood semua kelas untuk mendapatkan probabilitas class-assignment (softmax
– persamaan 4.2). Akhirnya, kita pilih kelas dengan probabilitas tertinggi
(persamaan 4.3).
F
Y
likelihood(ci ) = P (ci ) P (tf |ci ) (4.1)
f =1
50 4 Algoritma Dasar

id outlook temperature humidity windy play (class)

1 sunny hot high false no
2 sunny hot high true no
3 overcast hot high false yes
4 rainy mild high false yes
5 rainy cool normal false yes
6 rainy cool normal true no
7 overcast cool normal true yes
8 sunny mild high false no
9 sunny cool normal false yes
10 rainy mild normal false yes
11 sunny mild normal true yes
12 overcast mild high true yes
13 overcast hot normal false yes
14 rainy mild high true no
Tabel 4.1. Contoh dataset play tennis (UCI machine learning repository)

outlook temperature humidity windy play (class)

yes no yes no yes no yes no yes no

sunny 2 3 hot 2 3 high 3 4 false 6 2 9 5

overcast 4 0 mild 4 2 normal 6 1 true 3 3
rainy 3 2 cool 3 1

Tabel 4.2. Frekuensi setiap nilai atribut

outlook temperature humidity windy play (class)

yes no yes no yes no yes no yes no

sunny 2/9 3/5 hot 2/9 3/5 high 3/9 4/5 false 6/9 2/5 9/14 5/14
overcast 4/9 0/5 mild 4/9 2/5 normal 6/9 1/5 true 3/9 3/5
rainy 3/9 2/5 cool 3/9 1/5

Tabel 4.3. Probabilitas setiap nilai atribut

likelihood(ci )
Passignment (ci ) = P (4.2)
cj C likelihood(cj )

cˆi = arg max Passignment (ci ) (4.3)

ci C

Agar mendapatkan gambaran praktis, mari kita bangun model Naive

Bayes untuk Tabel 4.1. Tabel ini disebut sebagai dataset, yaitu memuat en-
try data (tiap baris disebut sebagai instans/instance). Kita anggap Tabel 4.1
sebagai training data. Untuk menghitung probabilitas, pertama-tama kita
hitung terlebih dahulu frekuensi nilai atribut seperti pada Tabel 4.2, setelah
itu kita bangun model probabilitasnya seperti pada Tabel 4.3.
Untuk menguji kebenaran model yang telah kita bangun, kita menggu-
nakan testing data, diberikan pada Tabel 4.4. testing data berisi unseen
example yaitu contoh yang tidak ada pada training data.
 4.1 Naive Bayes 51

id outlook temperature humidity windy play (class)

1 sunny cool high true no
Tabel 4.4. Contoh testing data play tennis [7]

likelihood(play = yes) = P (yes)P (sunny|yes)P (cool|yes)P (high|yes)P (true|yes)

9 2 3 3 3
= ∗ ∗ ∗ ∗
14 9 9 9 9
= 0.0053
likelihood(play = no) = P (no)P (sunny|no)P (cool|no)P (high|no)P (true|no)
5 3 1 4 3
= ∗ ∗ ∗ ∗
14 5 5 5 5
= 0.0206
likelihood(play = yes)
Passignment (play = yes) =
likelihood(play = yes) + likelihood(play = no)
0.0053
=
0.0053 + 0.0206
= 0.205
likelihood(play = no)
Passignment (play = no) =
likelihood(play = yes) + likelihood(play = no)
0.0206
=
0.0053 + 0.0206
= 0.795

Karena Passignment (play = no) > Passignment (play = yes) maka dipu-
tuskan bahwa kelas untuk unseen example adalah play = no. Proses klasifikasi
untuk data baru sama seperti proses klasifikasi untuk testing data, yaitu kita
ingin menebak kelas data. Karena model berhasil menebak kelas pada training
data dengan tepat, akurasi model adalah 100% (kebetulan contohnya hanya
ada satu).
Perhatikan! Kamu mungkin berpikir kita dapat langsung menggunakan
likelihood untuk mengklasifikasi, karena probabilitas dengan likelihood terbe-
sar akan dipilih. Hal ini cukup berbahaya apabila likelihood untuk masing-
masing kelas memiliki jarak yang cukup dekat. Sebagai contoh, menghitung
probabilitas apabila (kasus abstrak) likelihood={0.7, 0.6}, sehingga probabili-
tas kelas menjadi={0.538, 0.461}. Karena perbedaan probabilitas kelas relatif
tidak terlalu besar (contoh ini adalah penyederhanaan), kita mungkin harus
berpikir kembali untuk mengklasifikasikan instans ke kelas pertama. Hal ini
berkaitan dengan seberapa yakin kamu mengklasifikasikan suatu instans ke
52 4 Algoritma Dasar

id rich intelligent good looking

1 yes yes yes
2 yes no no
3 yes yes no
4 no no no
5 no yes no
6 no no yes
Tabel 4.5. Contoh dataset orang kaya

kelas tertentu. Perbedaan likelihood yang besar menandakan keyakinan, se-

mentara perbedaan yang tipis menandakan ketidakyakinan.

4.2 K-means
Pada supervised learning kita mengetahui kelas data untuk setiap feature vec-
tor, sedangkan untuk unsupervised learning kita tidak tahu. Tujuan unsuper-
vised learning salah satunya adalah melakukan clustering. Yaitu mengelom-
pokkan data-data dengan karakter mirip. Untuk melakukan pembelajaran
menggunakan K-means [24], kita harus mengikuti langkah-langkah sebagai
berikut:
1. Tentukan jumlah kelompok yang kita inginkan.
2. Inisiasi centroid untuk setiap kelompok (pada bab ini, secara acak). Cen-
troid adalah data yang merepresentasikan suatu kelompok (ibaratnya ke-
tua kelompok).
3. Hitung kedekatan suatu data terhadap centroid, kemudian masukkan data
tersebut ke kelompok yang centroid-nya memiliki sifat terdekat dengan
dirinya.
4. Pilih kembali centroid untuk masing-masing kelompok, yaitu dari anggota
kelompok tersebut (semacam memilih ketua yang baru).
5. Ulangi langkah-langkah sebelumnya sampai tidak ada perubahan anggota
untuk semua kelompok.
Perhatikan Tabel 4.5, kita akan mengelompokkan data pada tabel terse-
but menjadi dua clusters (dua kelompok) yaitu k1 , k2 menggunakan algoritma
K-means. Pertama-tama kita inisiasi centroid secara acak, id1 untuk k1 dan
id6 untuk k2 . Kita hitung kedekatan data lainnya terhadap centroid. Untuk
mempermudah contoh, kita hitung perbedaan data satu dan lainnya den-
gan menghitung perbedaan nilai atribut (nilai atributnya sama atau tidak).
Apabila perbedaan suatu data terhadap kedua centroid bernilai sama, kita
masukkan ke kelas dengan nomor urut lebih kecil.
Setelah langkah ini, kelompok satu beranggotakan {id1 , id2 , id3 , id5 } se-
mentara kelompok dua beranggotakan {id4 , id6 }. Kita pilih kembali centroid
 4.2 K-means 53

id perbedaan dengan centroid1 perbedaan dengan centroid2 assignment

2 2 2 k1
3 1 3 k1
4 3 1 k2
5 2 2 k1
Tabel 4.6. Assignment K-means langkah 1

id perbedaan dengan centroid1 perbedaan dengan centroid2 assignment

1 2 3 k1
3 1 3 k1
5 3 1 k2
6 2 2 k1
Tabel 4.7. Assignment K-Means langkah 2

untuk masing-masing kelompok yang mana berasal dari anggota kelompok itu
sendiri. Misal kita pilih secara acak1 , centroid untuk kelompok pertama adalah
id2 sementara untuk kelompok kedua adalah id4 . Kita hitung kembali assign-
ment anggota kelompok yang ilustrasinya dapat dilihat pada Tabel 4.7. Hasil
langkah ke-2 adalah perubahan anggota kelompok, k1 = {id1 , id2 , id3 , id5 }
dan k2 = {id4 , id6 }. Anggap pada langkah ke-3 kita memilih kembali id2 dan
id4 sebagai centroid masing-masing kelompok sehingga tidak ada perubahan
keanggotaan.
Bila kamu membaca buku literatur lain, kemungkinan besar akan dije-
laskan bahwa clustering itu memiliki hubungan erat dengan Gaussian
Mixture Model . Secara sederhana, satu cluster (atau satu kelas) sebe-
narnya seolah-olah dapat dipisahkan dengan kelas lainnya oleh distribusi
gaussian. Perhatikan Gambar 4.1! Suatu cluster atau kelas, seolah olah “di-
bungkus” oleh suatu distribusi gaussian. Distribusi seluruh dataset dapat di-
aproksimasi dengan Gaussian Mixture Model (GMM).
Ingat kembali bahwa data memiliki suatu pola (dalam statistik disebut
distribusi), kemudian pada bab 2 telah disebutkan bahwa GMM dipercaya da-
pat mengaproksimasi fungsi apapun (silahkan perdalam pengetahuan statistik
kamu untuk hal ini). Dengan demikian, machine learning yang mempunyai
salah satu tujuan untuk menemukan pola dataset, memiliki hubungan yang
sangat erat dengan distribusi gaussian karena pola tersebut dapat diaproksi-
masi dengan distribusi gaussian.

1
Cara lain memilih akan dijelaskan pada bab 10.
54 4 Algoritma Dasar

Gambar 4.1. Ilustrasi hubungan Clustering, kelas, dan Gaussian

4.3 K-nearest-neighbor
Ide K-nearest-neighbor (KNN) adalah mengelompokkan data ke kelompok
yang memiliki sifat termirip dengannya [25]. Hal ini sangat mirip dengan K-
means. Bila K-means digunakan untuk clustering, KNN digunakan untuk
klasifikasi. Algoritma klasifikasi ini disebut juga algoritma malas karena tidak
mempelajari cara mengkategorikan data, melainkan hanya mengingat data
yang sudah ada2 . Pada subbab 4.2, kita telah mengelompokkan data orang
kaya menjadi dua kelompok.
KNN mencari K feature vector dengan sifat termirip, kemudian mengelom-
pokkan data baru ke kelompok feature vector tersebut. Sebagai ilustrasi mu-
dah, kita lakukan klasifikasi algoritma KNN dengan K = 3 untuk data baru
{rich = no, intelligent = yes, good looking = yes}. Kita tahu pada subbab
sebelumnya bahwa kelompok satu k1 = {id1 , id2 , id3 , id5 } dan k2 = {id4 , id6 },
pada Tabel 4.8. feature vector termirip dimiliki oleh data dengan id1 , id5 , id6
seperti diilustrasikan pada Tabel 4.8. Kita dapat menggunakan strategi untuk
mengurusi permasalahan ini, misalnya memberikan prioritas memasukkan ke
kelompok yang anggotanya lebih banyak menjadi nearest neighbor 3 . Dengan
strategi tersebut, kita mengklasifikasikan data baru ke kelompok pertama.

Soal Latihan
4.1. Data numerik
(a) Carilah suatu contoh dataset numerik.
(b) Pikirkanlah strategi untuk mengklasifikasi data numerik pada algoritma
Naive Bayes dan K-nearest-neighbor !
2
https://sebastianraschka.com/faq/docs/lazy-knn.html
3
Silahkan eksplorasi cara lain juga!
 4.3 K-nearest-neighbor 55

id perbedaan
1 1
2 3
3 3
4 2
5 1
6 1
Tabel 4.8. Perbedaan data baru vs data orang kaya

4.2. K-means, KNN, GMM, EM

Buktikan bahwa K-means, K-nearest-neighbor, Gaussian Mixture Model, dan
Expectation Maximization Algorithm memiliki hubungan! (apa kesamaan
mereka).

4.3. K-means
(a) Cari tahu cara lain untuk memilih centroid pada algoritma K-means
(selain cara acak) baik untuk data nominal dan numerik!
(b) Cari tahu cara lain untuk menghitung kedekekatan suatu data dengan
centroid baik untuk data nominal dan numerik! Hint: euclidian distance,
manhattan distance, cosine similarity.
5
Model Linear

“Sometimes an entirely
inaccurate formula is a handy
way to move you in the right
direction if it offers simplicity.”

Scott Adams

Bab ini membahas tentang model linear (algoritma parametrik), sebagai

contoh pembelajaran yang sederhana karena cukup mudah dipahami idenya.
Bab ini juga membahas error function dan stochastic gradient descent. Dim-
ulai dari bab ini, kita akan memasuki materi lebih serius.

5.1 Curve Fitting dan Error Function

Pertama, penulis ingin menceritakan salah satu bentuk utility function untuk
model matematis bernama error function. Fungsi ini sudah banyak diceri-
takan pada bab-bab sebelumnya secara deskriptif. Mulai bab ini, kamu akan
mendapatkan pengertian lebih jelas secara matematis.
Error function paling mudah dijelaskan dalam permasalahan regresi.
Diberikan (x, y) ∈ R sebagai random variable. Terdapat sebuah fungsi f (x) →
y, yang memetakan x ke y, berbentuk seperti pada Gambar 5.1. sekarang
fungsi f (x) tersebut disembunyikan (tidak diketahui), diberikan contoh-contoh
pasangan (xi , yi ); i = 1, 2, ..., 6 adalah titik pada dua dimensi (titik sampel),
seperti lingkaran berwarna biru. Tugasmu adalah untuk mencari tahu f (x)!
Dengan kata lain, kita harus mampu memprediksi sebuah bilangan riil y,
diberikan suatu x.
Kamu berasumsi bahwa fungsi f (x) dapat diaproksimasi dengan fungsi
linear g(x) = xw + b. Artinya, kamu ingin mencari w dan b yang memberikan
nilai sedemikian sehingga g(x) mirip dengan f (x). w adalah parameter semen-
tara b adalah bias. Anggap kamu sudah berhasil melakukan pendekatan dan
58 5 Model Linear

Gambar 5.1. Contoh fungsi Sigmoid

menghasilkan fungsi linear g(x); seperti Gambar 5.2 (garis berwarna hijau).
Akan tetapi, fungsi approksimasi ini tidak 100% tepat sesuai dengan fungsi
aslinya (ini perlu ditekankan)1 . Jarak antara titik biru terhadap garis hijau
disebut error.

Gambar 5.2. Pendekatan fungsi Sigmoid

Salah satu cara menghitung error fungsi g(x) adalah menggunakan squared
error function dengan bentuk konseptual pada persamaan 5.1. Estimasi ter-
hadap persamaan tersebut disajikan dalam bentuk diskrit pada persamaan 5.2.
(xi , yi ) adalah pasangan training data (input - desired output). Nilai squared
error dapat menjadi tolak ukur untuk membandingkan kinerja suatu learning
machine (model). Secara umum, bila nilainya tinggi, maka kinerja dianggap
relatif buruk; sebaliknya bila rendah, kinerja dianggap relatif baik. Hal ini
sesuai dengan konsep intelligent agent [5].
1
Kamu patut curiga apabila model pembelajaran mesinmu memberikan performa
100%
 5.1 Curve Fitting dan Error Function 59

Z Z
2
E(g) = ky − g(x)k q(x, y) dx dy (5.1)

N
1 X 2
E(g) = kyi − g(xi )k (5.2)
N i=1
Secara konseptual, bentuk fungsi regresi dilambangkan sebagai persamaan
5.3 [9]. Z
g(x) = y q(y|x)dy (5.3)

Persamaan 5.3 dibaca sebagai “expectation of y, with the distribution of q”.

Secara statistik, regresi dapat disebut sebagai ekspektasi untuk y berdasarkan/
dengan input x. Perlu diperhatikan kembali, regresi adalah pendekatan se-
hingga belum tentu 100% benar (hal ini juga berlaku pada model machine
learning pada umumnya).
Kami telah memberikan contoh fungsi linear sederhana, yaitu g(x) =
xw + b. Pada kenyataannya, permasalahan kita lebih dari persoalan skalar.
Untuk x (input) yang merupakan vektor, biasanya kita mengestimasi dengan
lebih banyak variable, seperti pada persamaan 5.4. Persamaan tersebut dapat
ditulis kembali dalam bentuk aljabar linear sebagai persamaan 5.5.

g(x) = x1 w1 + x2 w2 + · · · + xN wN + b (5.4)

g(x) = x · w + b (5.5)
Bentuk persamaan 5.4 dan 5.5 relatif interpretable karena setiap fitur
pada input (xi ) berkorespondensi hanya dengan satu parameter bobot wi .
Artinya, kita bisa menginterpretasikan seberapa besar/kecil pengaruh suatu
fitur xi terhadap keputusan (output) berdasarkan nilai wi . Hal ini berbeda
dengan algoritma non-linear (misal artificial neural network, bab 11) dimana
satu fitur pada input bisa berkorespondensi dengan banyak parameter bobot.
Perlu kamu ingat, model yang dihasilkan oleh fungsi linear lebih mudah di-
mengerti dibanding fungsi non-linear. Semakin, suatu model pembelajaran
mesin, berbentuk non-linear, maka ia semakin susah dipahami.
Ingat kembali bab 1, learning machine yang direpresentasikan dengan
fungsi g bisa diatur kinerjanya dengan parameter training w. Squared er-
ror untuk learning machine dengan parameter training w diberikan oleh
persamaan 5.2. (xi , yi ) adalah pasangan input-desired output. Selain untuk
menghitung squared error pada training data, persamaan 5.2 juga dapat
digunakan untuk menghitung squared error pada testing data. Tujuan dari
regresi/machine learning secara umum adalah untuk meminimalkan nilai loss
atau error baik pada training maupun unseen instances. Secara umum, kita
lebih ingin meminimalkan loss, dimana error dapat menjadi proxy untuk loss.
Selain error function, ada banyak fungsi lainnya seperti Hinge, Log Loss,
Cross-entropy loss, Ranking loss [1].
60 5 Model Linear

5.2 Binary Classification

Binary classification adalah mengklasifikasikan data menjadi dua kelas (bi-
nary). Contoh model linear sederhana untuk binary classification diberikan
pada persamaan 5.6. Perhatikan, pada persamaan 5.6, suatu data direpresen-
tasikan sebagai feature vector x, dan terdapat bias 2 b. Klasifikasi dilakukan
dengan melewatkan data pada fungsi yang memiliki parameter. Fungsi terse-
but menghitung bobot setiap fitur pada vektor dengan mengalikannya den-
gan parameter (dot product). Persamaan 5.6 dapat ditulis kembali sebagai
persamaan 5.7, dimana xi merupakan elemen ke-i dari vektor x. Fungsi ini
memiliki range [−∞, ∞]. Pada saat ini, kamu mungkin bingung. Bagaimana
mungkin fungsi regresi yang menghasilkan nilai kontinu digunakan untuk
klasifikasi kelas kategorial. Kita dapat menggunakan thresholding, atau den-
gan memberikan batas nilai tertentu. Misal, bila f (x) > threshold maka di-
masukkan ke kelas pertama; dan sebaliknya f (x) ≤ threshold dimasukkan
ke kelas kedua. Threshold menjadi bidang pembatas antara kelas satu dan
kelas kedua (decision boundary, Gambar 5.3). Pada umumnya, teknik thresh-
old diterapkan dengan menggunakan fungsi sign (sgn, Gambar 5.4) untuk
merubah nilai fungsi menjadi [−1, 1] sebagai output (persamaan 5.8); dimana
−1 merepresentasikan input dikategorikan ke kelas pertama dan nilai 1 merep-
resentasikan input dikategorikan ke kelas kedua.

f (x) = x · w + b (5.6)

f (x) = x1 w1 + x1 w2 + · · · + xN wN + b (5.7)

output = sgn(f (x) (5.8)

Seperti halnya fungsi regresi, kita juga dapat menghitung performa bi-
nary classifier sederhana ini menggunakan squared error function (umumnya
menggunakan akurasi), dimana nilai target fungsi berada pada range [−1, 1].
Secara sederhana, model binary classifier mencari decision boundary, yaitu
garis (secara lebih umum, hyperplane) pemisah antara kelas satu dan lainnya.
Sebagai contoh, garis hitam pada Gambar 5.3 adalah decision boundary.

5.3 Log-linear Binary Classification

Pada subbab sebelumnya, telah dijelaskan fungsi binary classifier memetakan

data menjadi nilai [−1, 1], dengan −1 merepresentasikan kelas pertama dan
1 merepresentasikan kelas kedua. Tidak hanya kelas yang berkorespondensi,

2
Perhatikan! Bias pada variabel fungsi memiliki arti yang berbeda dengan statis-
tical bias
 5.3 Log-linear Binary Classification 61

Gambar 5.3. Contoh decision boundary

Gambar 5.4. Fungsi sign

kita juga terkadang ingin tahu seberapa besar peluang data tergolong pada ke-
las tersebut. Salah satu alternatif adalah dengan menggunakan fungsi sigmoid
dibanding fungsi sign untuk merubah nilai fungsi menjadi [0, 1] yang merepre-
sentasikan peluang data diklasifikasikan sebagai kelas tertentu (1 - nilai pelu-
ang, untuk kelas lainnya). Konsep ini dituangkan menjadi persamaan 5.9, di-
mana y merepresentasikan probabilitas input x digolongkan ke kelas tertentu,
x merepresentasikan data (feature vector ), dan b merepresentasikan bias. In-
gat kembali materi bab 4, algoritma Naive Bayes melakukan hal serupa.
Hasil fungsi sigmoid, apabila di-plot maka akan berbentuk seperti Gambar 5.1
(berbentuk karakter “S”).
1
y = σ(f (x)) = (5.9)
1 + e−(x·w+b)
Perhatikan, persamaan 5.9 juga dapat diganti dengan persamaan 5.10 yang
dikenal juga sebagai fungsi logistik.
e(x·w+b)
y = logistik(f (x)) = (5.10)
1 + e(x·w+b)
62 5 Model Linear

Nilai y ini diasosiasikan dengan suatu kelas. y adalah nilai probabilitas data
masuk ke suatu kelas. Sebagai contoh, kita ingin nilai y = 1 apabila data
cocok masuk ke kelas pertama dan y = 0 apabila masuk ke kelas kedua.
Ketika fungsi machine learning menghasilkan nilai berbentuk probabil-
itas, kita dapat menggunakan cross entropy sebagai utility function. Per-
samaan 5.11 adalah cara menghitung cross entropy, dimana P (ci ) melam-
bangkan probabilitas input diklasifikasikan ke kelas ci dan N melambangkan
banyaknya kelas. Untuk binary classification, P (c1 ) = 1 − P (c2 ).
N
X
H=− P (ci ) log(P (ci )) (5.11)
i=1

Kita ingin meminimalkan nilai cross entropy untuk model pembelajaran mesin
yang baik. Ingat kembali materi teori informasi, nilai entropy yang ren-
dah melambangkan distribusi tidak uniform. Sementara, nilai entropy yang
tinggi melambangkan distribusi lebih uniform. Artinya, nilai cross entropy
yang rendah melambangkan high confidence saat melakukan klasifikasi. Kita
ingin model kita sebiasa mungkin menghasilkan output bernilai 1 untuk
mendiskriminasi seluruh data yang masuk ke kelas pertama, dan 0 untuk kelas
lainnya. Dengan kata lain, model dapat mendiskriminasi data dengan pasti.
Dengan analogi, kita ingin fungsi logistik kita berbentuk semirip mungkin
dengan fungsi sign untuk high confidence. Cross entropy bernilai tinggi apa-
bila perbedaan nilai probabilitas masuk ke kelas satu dan kelas lainnya tidak
jauh, e.g., P (c1 ) = 0.6 & P (c2 ) = 0.4. Semakin rendah nilai cross entropy, kita
bisa meningkatkan “keyakinan” kita terhadap kemampuan klasifikasi model
pembelajaran mesin, yaitu perbedaan nilai probabilitas masuk ke kelas satu
dan kelas lainnya tinggi, e.g., P (c1 ) = 0.8 & P (c2 ) = 0.2.

5.4 Multi-label Classification

Subbab ini akan membahas tentang multi-label classification, dimana ter-
dapat lebih dari dua kemungkinan kelas. Terdapat himpunan kelas C be-
ranggotakan {c1 , c2 , . . . , cK }. Untuk suatu data dengan representasikan fea-
ture vector -nya, kita ingin mencari tahu kelas yang berkorespondesi untuk
data tersebut. Contoh permasalahan ini adalah mengklasifikasi gambar untuk
tiga kelas: apel, jeruk, atau mangga. Cara sederhana adalah memiliki tiga
buah vektor parameter dan bias berbeda, wapel , wjeruk , wmangga , dan bias
b{apel,jeruk,mangga} . Untuk menentukan suatu data masuk ke kelas mana, kita
dapat memprediksi skor tertinggi yang diberikan oleh operasi feature vector
terhadap masing-masing vektor parameter. Konsep matematisnya diberikan
pada persamaan 5.12, dimana ĉ adalah kelas terpilih (keputusan), yaitu kelas
yang memiliki nilai tertinggi. C melambangkan himpunan kelas.

ĉ = f (x) = arg max (x · wci + bci ) (5.12)

ci ∈C
 5.4 Multi-label Classification 63

Tiga set parameter wci dapat disusun sedemikian rupa sebagai matriks W ∈
Rd×3 , dimana d adalah dimensi feature vector (x ∈ R1×d ). Demikian pula kita
dapat susun bias menjadi vektor b ∈ R1×3 berdimensi tiga. Dengan demikian,
persamaan 5.12 dapat ditulis kembali sebagai persamaan 5.13. ĉ adalah vektor
yang memuat nilai fungsi terhadap seluruh kelas. Kita memprediksi kelas
berdasarkan indeks elemen ĉ yang memiliki nilai terbesar (Persamaan 5.14).
Analogika, seperti memilih kelas dengan nilai likelihood tertinggi.

c = f (x) = x · W + b (5.13)

kelas prediksi = arg max ci (5.14)

ci ∈c

Seperti yang diceritakan pada subbab berikutnya, kita mungkin juga ter-
tarik dengan probabilitas masing-masing kelas. Kita dapat menggunakan
fungsi softmax 3 untuk hal ini. Fungsi softmax mentransformasi ĉ agar jumlah
semua nilainya berada pada range [0, 1]. Dengan itu, ĉ dapat diinterpretasikan
sebagai distribusi probabilitas. Konsep ini dituangkan pada persamaan 5.15,
dimana ĉi adalah elemen vektor ke-i, melambangkan probabilitas masuk ke
kelas ke-i.

e(x·W+b)[i]
ĉi = P (x·W+b) (5.15)
je
[j]

Karena output fungsi berupa distribusi probabilitas, kita juga dapat menghi-
tung loss menggunakan cross entropy. Seperti yang sudah dijelaskan sebelum-
nya pada binary classification, kita ingin hasil perhitungan cross entropy seke-
cil mungkin karena meminimalkan nilai cross entropy meningkatkan confi-
dence saat proses klasifikasi. Hal ini dapat dianalogikan dengan jargon “win-
ner takes it all ”. Sebagai ilustrasi, lihatlah Gambar 5.5. Kita ingin agar bentuk
distribusi probabilitas output kelas (ĉ) condong ke salah satu sisi saja.
Selain mengekstensi suatu model untuk melakukan multi-label classifica-
tion secara langsung, kita juga dapat menggabungkan beberapa model binary
classifier untuk melakukan multi-label classification. Teknik ini memiliki dua
varian yaitu one versus one dan one versus all.
Pada teknik

one versus one, kita membuat sejumlah kombinasi pasan-
gan kelas N2 , untuk N = banyaknya kelas. Kemudian, kita biarkan masing-
masing model mengklasifikasikan input ke dalam satu dari dua kelas. Akhirnya,
kita memilih kelas klasifikasi berdasarkan kelas yang paling sering muncul dari
semua model. Hal ini diilustrasikan pada Gambar 5.6 (untuk lima kelas). f i,j
melambangkan binary classifier untuk kelas i dan kelas j.
Pada teknik one versus all, kita membuat sejumlah model juga, tetapi
kombinasinya tidak sebanyak one versus one. Model pertama mengklasi-
fikasikan input sebagai kelas pertama atau bukan kelas pertama. Setelah itu,
3
https://en.wikipedia.org/wiki/Softmax_function
64 5 Model Linear

Gambar 5.5. Classification Entropy

Gambar 5.6. One versus one

dilanjutkan ke model kedua mengklasifikasikan input sebagai kelas kedua atau

bukan kelas kedua, dan seterusnya. Hal ini diilustrasikan pada Gambar 5.7
(untuk lima kelas).

5.5 Pembelajaran sebagai Permasalahan Optimisasi

Salah satu tujuan dari pembelajaran (training) adalah untuk meminimalkan
error sehingga kinerja learning machine (model) diukur oleh squared er-
 5.5 Pembelajaran sebagai Permasalahan Optimisasi 65

Gambar 5.7. One versus all

ror. Dengan kata lain, utility function adalah meminimalkan squared error.
Secara lebih umum, kita ingin meminimalkan/memaksimalkan suatu fungsi
yang dijadikan tolak ukur kinerja (utility function), diilustrasikan pada per-
samaan 5.16, dimana θ adalah learning parameter 4 , dan L adalah loss func-
tion. Perubahan parameter dapat menyebabkan perubahan loss. Karena itu,
loss function memiliki θ sebagai parameternya.

θ̂ = arg min L(θ) (5.16)

θ

dimana θ̂ adalah nilai parameter paling optimal. Perhatikan, “arg min” da-
pat juga diganti dengan “arg max” tergantung optimisasi apa yang ingin
dilakukan.
Sekarang, mari kita hubungkan dengan contoh yang sudah diberikan pada
subbab sebelumnya. Kita coba melakukan estimasi minimum squared error,
dengan mencari nilai learning parameters w yang meminimalkan nilai error

4
Umumnya dapat berupa skalar, vektor, atau matriks. Demi istilah yang lebih
generik, kita gunakan θ.
66 5 Model Linear

pada model linear (persamaan 5.17)5 . Parameter model pembelajaran mesin

biasanya diinisialisasi secara acak atau menggunakan distribusi tertentu. Ter-
dapat beberapa cara untuk memimalkan squared error. Yang penulis akan
bahas adalah stochastic gradient descent method 6 . Selanjutnya apda buku ini,
istilah gradient descent, gradient-based method dan stochastic gradient descent
mengacu pada hal yang sama.

ŵ = arg min E(w) (5.17)

w

Bayangkan kamu sedang berada di puncak pegunungan. Kamu ingin men-

cari titik terendah pegunungan tersebut. Kamu tidak dapat melihat keselu-
ruhan pegunungan, jadi yang kamu lakukan adalah mencari titik terendah
sejauh mata memandang, kemudian menuju titik tersebut dan menganggap-
nya sebagai titik terendah. Layaknya asumsi sebelumnya, kamu juga turun
menuju titik terendah dengan cara melalui jalanan dengan kemiringan paling
tajam, dengan anggapan bisa lebih cepat menuju ke titik terendah [9]. Sebagai
ilustrasi, perhatikan Gambar 5.8!

Gambar 5.8. Stochastic Gradient Descent

Jalanan dengan kemiringan paling tajam adalah −grad E(w), dimana

E(w) adalah nilai error saat model memiliki parameter w. Dengan definisi
grad E(w) diberikan pada persamaan 5.18 dan persamaan 5.19, dimana wi
adalah nilai elemen vektor ke-i.
 
∂E ∂E ∂E
grad E(w) = , , ..., (5.18)
∂w1 ∂w2 ∂wF

dw
= −grad E(w); t = time (5.19)
dt
Ingat kembali materi diferensial. Gradien adalah turunan (diferensial)
fungsi. Untuk mencari turunan paling terjal, sama halnya mencari nilai
5
w boleh diganti dengan W, saat ini penulis menggunakan vektor untuk menye-
denakan pembahasan.
6
Konsep Hill Climbing dapat digunakan untuk memaksimalkan utility function.
Konsep tersebut sangat mirip dengan gradient descent https://en.wikipedia.
org/wiki/Hill_climbing.
 5.5 Pembelajaran sebagai Permasalahan Optimisasi 67

−gradient terbesar. Dengan demikian, menghitung −grad E(w) terbesar

sama dengan jalanan turun paling terjal. Tentunya seiring berjalannya waktu,
kita mengubah-ubah parameter w agar kinerja model optimal. Nilai opti-
mal diberikan oleh turunan w terhadap waktu, yang bernilai sama dengan
−grad E(w). Bentuk diskrit persamaan 5.19 diberikan pada persamaan 5.20,

w(t + 1) = w(t) − η grad E(w(t)) (5.20)

dimana η disebut learning rate dan w(t) adalah nilai w saat waktu/iterasi
t. Learning rate digunakan untuk mengatur seberapa pengaruh keterjalan
terhadap pembelajaran. Silahkan mencari sumber tambahan lagi agar dapat
mengerti learning rate secara lebih dalam/matematis. Pada implementasi, η
juga sering diubah-ubah nilainya sepanjang waktu. Semakin kita sudah dekat
dengan tujuan (titik loss terendah), kita mengurangi nilai η, ibaratnya seperti
mengerem kalau sudah dekat dengan tujuan [26].
Walaupun kamu berharap bisa menuju titik terendah dengan menelusuri
jalan terdekat dengan kemiringan paling tajam, tapi kenyataanya hal tersebut
bisa jadi bukanlah jalan tercepat, seperti yang diilustrasikan pada Gambar 5.9.
Warna merah melambangkan jalan yang dilalui gradient descent, sementara
warna biru melambangkan jalanan terbaik (tercepat).

Gambar 5.9. Stochastic Gradient Descent 2

Pandangan kita yang terbatas layaknya kita tidak bisa melihat keselu-
ruhan pengunungan secara keseluruhan, kita juga tidak bisa melihat keselu-
ruhan nilai error untuk semua parameter w. Secara filosofis, hal tersebut
juga berlaku saat membaca buku, oleh karena itu sebaiknya kamu membaca
beberapa buku saat belajar.
Dalam local point of view, steepest gradient descent adalah cara tercepat
menuju titik terendah, tetapi tidak pada global point of view. Kita dapat
macet/berhenti saat sudah mencapai local minima, yaitu nilai minimum pada
suatu daerah lokal saja. Sebagai ilustrasi, perhatikan Gambar 5.10. Kamu
berada di puncak pegunungan kemudian turun bertahap. Kemudian, kamu
sampai di suatu daerah landai (−grad E(w) = 0). Kamu pikir daerah landai
68 5 Model Linear

Gambar 5.10. Stuck at local minima

tersebut adalah titik tujuanmu, tetapi, kamu ternyata salah. Untuk menghin-
dari hal tersebut, kita menggunakan learning rate (η). Apabila nilai learning
rate (η) pada persamaan 5.20 relatif kecil, maka dinamika perubahan pa-
rameter w juga kecil. Tetapi, bila nilainya besar, maka jalanan menuju titik
terendah akan bergoyang-goyang (swing), seperti pada Gambar 5.11. Goyan-
gan tersebut ibarat “meloncat-loncat” pada ilustrasi Gambar 5.10.

Gambar 5.11. Swing

Untuk mengontrol learning parameter w sehingga memberikan nilai E(w)

terendah, persamaan steepest gradient descent dapat ditambahkan dengan
 5.6 Batasan Model Linear 69

momentum (α) pada persamaan 5.21. Alfa adalah momentum karena dika-
likan dengan hasil perbedaan descent pada tahap sebelumnya. Alfa adalah
parameter kontrol tambahan untuk mengendalikan swing yang sudah dibahas
sebelumnya.

w(t + 1) = w(t) − η grad E(w(t)) + α(∆w) (5.21)

Apabila gradien bernilai 0, artinya model sudah berada pada titik lo-
cal /global optimum. Kondisi ini disebut sebagai konvergen (converging). Se-
mentara model yang tidak menuju titik optimal, malah menuju ke kondisi
yang semakin tidak optimum, disebut divergen (diverging).

5.6 Batasan Model Linear

Model linear, walaupun mudah dimengerti, memiliki beberapa batasan. Ada
dua batasan paling kentara [17]: (1) additive assumption dan (2) linear as-
sumption. Additive assumption berarti model linear menganggap hubungan
antara input dan output adalah linear. Artinya, perubahan nilai pada suatu
fitur xi pada input x akan merubah nilai output secara independen terhadap
fitur lainnya. Hal ini terkadang berakibat fatal karena fitur satu dan fitur
lainnya dapat berinteraksi satu sama lain. Solusi sederhana untuk permasala-
han ini adalah dengan memodelkan interaksi antar-fitur, seperti diilustrasikan
pada persamaan 5.22 untuk input yang tersusun atas dua fitur.

f (x) = x1 w1 + x1 w2 + x1 x2 w3 + b (5.22)

Dengan persamaan 5.22, apabila x1 berubah, maka kontribusi x2 terhadap

output juga akan berubah (dan sebaliknya). Akan tetapi, seringkali interaksi
antar-fitur tidaklah sesederhana ini. Misal, semua fitur berinteraksi satu sama
lain secara non-linear.
Linear assumption berarti perubahan pada suatu fitur xi mengakibatkan
perubahan yang konstan terhadap output, walaupun seberapa besar/kecil nilai
xi tersebut. Seringkali, perubahan pada output sesungguhnya bergantung juga
pada nilai xi itu sendiri, bukan hanya pada delta xi . Solusi sederhana untuk
permasalahan ini adalah memodelkan fungsi linear sebagai fungsi polinomial
dengan orde (M ) tertentu, diilustrasikan pada persamaan 5.23. Akan tetapi,
pemodelan inipun tidaklah sempurna karena rawan overfitting.

f (x) = x1 w1 + +x21 w2 + · · · + xM
1 wM + b (5.23)

Asumsi yang sebelumnya dijelaskan pada pemodelan polinomial, dapat diek-

stensi menjadi generalized additive model (GAM) untuk mengatasi masalah
linear assumption, seperti diilustrasikan pada persamaan 5.24 [17]. Artinya,
kita melewatkan setiap fitur xi pada suatu fungsi gi , sehingga delta xi tidak
mengakibatkan perubahan yang konstan terhadap output. Ekstensi ini dapat
memodelkan hubungan non-linear antara fitur dan output.
70 5 Model Linear

f (x) = g1 (x1 ) + +g2 (x2 ) + · · · + gN (xN ) + b (5.24)

Tetapi, GAM masih saja memiliki batasan additive assumption. Dengan
demikian, interaksi antar-variabel tidak dapat dimodelkan dengan baik.

5.7 Overfitting dan Underfitting

Tujuan machine learning adalah membuat model yang mampu memprediksi
data yang belum pernah dilihat (unseen instances) dengan tepat; disebut
sebagai generalisasi (generalization). Seperti yang sudah dijelaskan pada bab
pertama, kita dapat membagi dataset menjadi training, development, dan test-
ing dataset. Ketiga dataset ini berasal dari populasi yang sama dan dihasilkan
oleh distribusi yang sama (identically and independently distributed ). Dalam
artian, ketiga jenis dataset mampu melambangkan (merepresentasikan) karak-
teristik yang sama7 . Dengan demikian, kita ingin loss atau error pada train-
ing, development, dan testing bernilai kurang lebih bernilai sama (i.e., kinerja
yang sama untuk data dengan karakteristik yang sama). Akan tetapi, under-
fitting dan overfitting mungkin terjadi.

Gambar 5.12. Underfitting vs. Overfitting 8

7
Baca teknik sampling pada buku statistika.
8
Rekonstruksi https://www.inf.ed.ac.uk/teaching/courses/iaml/slides/
eval-2x2.pdf
 5.7 Overfitting dan Underfitting 71

Underfitting adalah keadaan ketika kinerja model bernilai buruk baik pada
training atau development maupun testing data. Overfitting adalah keadaan
ketika kinerja model bernilai baik untuk training tetapi buruk pada unseen
data. Hal ini diilustrasikan pada Gambar 5.12. Underfitting terjadi akibat
model yang terlalu tidak fleksibel, yaitu memiliki kemampuan yang ren-
dah untuk mengestimasi variasi fungsi. Sedangkan, overfitting terjadi ketika
model terlalu fleksibel, yaitu memiliki kemampuan yang terlalu tinggi untuk
mengestimasi banyak fungsi atau terlalu mencocokkan diri terhadap train-
ing data. Perhatikan kembali Gambar 5.12, dataset asli diambil (sampled )
dari fungsi polinomial orde-3. Model underfitting hanya mampu mengesti-
masi dalam orde-1 (kemampuan terlalu rendah), sedangkan model overfitting
mampu mengestimasi sampai orde-9 (kemampuan terlalu tinggi).

Gambar 5.13. Selection Error

Apabila kita gambarkan grafik kinerja terhadap konfigurasi model (model

order ), fenomena underfitting dan overfitting dapat diilustrasikan seperti
Gambar 5.13. Model yang ideal adalah model yang memiliki kinerja yang
baik pada training, development, dan testing data. Artinya, kita ingin perbe-
daan kinerja model pada berbagai dataset bernilai sekecil mungkin. Untuk
menghindari overfitting atau underfitting, kita dapat menambahkan fungsi
noise/bias (selanjutnya disebut noise/bias saja) dan regularisasi (subbab 5.8).
Hal yang paling perlu pembaca pahami adalah untuk jangan merasa senang
ketika model machine learning yang kamu buat memiliki kinerja baik pada
training data. Kamu harus mengecek pada development dan testing data, serta
memastikan kesamaan karakteristik data (e.g., apakah training dan testing
data benar diambil dari distribusi yang sama). Selain itu, kamu juga harus
memastikan apakah data yang digunakan mampu merepresentasikan komplek-
sitas pada permasalahan asli/dunia nyata. Sering kali, dataset yang digunakan
pada banyak eksperimen adalah toy dataset, semacam simplifikasi permasala-
han dengan jumlah instans yang relatif sedikit. Kamu harus hati-hati terhadap
72 5 Model Linear

overclaiming, i.e., menjustifikasi model dengan performa baik pada toy dataset
sebagai model yang baik secara umum.

5.8 Regularization

Gradient-based method mengubah-ubah parameter model w sehingga loss/error

dapat diminimalisir. Perhatikan kembali Gambar 5.2, ibaratnya agar fungsi
aproksimasi kita menjadi sama persis dengan fungsi asli pada Gambar 5.1.
Perhatikan, karena nilai w berubah-ubah seiring waktu, bisa jadi urutan train-
ing data menjadi penting9 . Pada umumnya, kita menggunakan batch method
agar kinerja model tidak bias terhadap urutan data. Hal ini akan kamu lebih
mengerti setelah mambaca bab 11.
Selain permasalahan model yang sensitif terhadap urutan training data,
model yang kita hasilkan bisa jadi overfitting juga. Yaitu memiliki kinerja
baik pada training data, tetapi memiliki kinerja buruk untuk unseen data.
Salah satu cara menghindari overfitting adalah dengan menggunakan regular-
ization. Idenya adalah untuk mengontrol kompleksitas parameter (i.e. konfig-
urasi parameter yang lebih sederhana lebih baik). Dengan ini, objektif training
pada persamaan 5.16 dapat kita ubah menjadi persamaan 5.25, dimana R(w)
adalah fungsi regularization dan λ adalah parameter kontrol.

ŵ = arg min L(w) + λR(w) (5.25)

w

Pilihan umum untuk fungsi regularization pada umumnya adalah L2 dan

L1 norm. L2 regularization menggunakan jumlah kuadrat dari Euclidean
norm 10 seluruh parameter, seperti pada persamaan 5.26. Sedangkan, L1 reg-
ularization menggunakan jumlah dari nilai absolute-value norm seluruh pa-
rameter, diberikan pada persamaan 5.27.
2
X
R(w) = kwk2 = (wi )2 (5.26)
i
X
R(w) = kwk = |wi | (5.27)
i

Perlu kamu perhatikan, metode gradient descent memiliki syarat bahwa

fungsi yang digunakan haruslah dapat diturunkan (differentiable). L2 dapat
diturunkan pada seluruh poin, sementara L1 tidak dapat diturunkan pada se-
mua poin11 . Kita dapat menggunakan teknik subgradient untuk menyelesaikan

9
Baca buku Yoav Goldberg [1] untuk mendapat penjelasan lebih baik.
10
https://en.wikipedia.org/wiki/Norm_(mathematics)
11
https://stats.stackexchange.com/questions/136895/
why-is-the-l1-norm-in-lasso-not-differentiable
 5.9 Transformasi Data 73

permasalahan ini. Kami serahkan pembaca untuk mengeksplorasi teknik terse-

but sendiri. Implikasi penggunakan regularisasi terhadap kompleksitas model
dibahas lebih lanjut pada bab 9.
Selain itu, ada hal lainnya yang perlu diperhatikan saat menggunakan
gradient descent yaitu apakah suatu fungsi convex atau concave. Izinkan saya
mengutip pernyataan dari buku Yoav Goldberg [1] halaman 31 secara lang-
sung menggunakan bahasa Inggris agar tidak ada makna yang hilang.

Convexity. In gradient-based optimization, it is common to distinguish be-

tween convex (or concave) functions and non-concave functions. A convex
function is a function whose second-derivative is always non-negative. As a
consequence, convex functions have a single minimum point. Similarly, con-
cave functions are functions whose second-derivatives are always negative or
zero, and as a consequence have a single maximum point. Convex (concave)
functions have the property that they are easy to minimize (maximize) us-
ing gradient-based optimization–simply follow the gradient until an extremum
point is reached, and once it is reached we know we obtained the global ex-
tremum point. In contrast, for functions that are neither convex or concave,
a gradient-based optimization procedure may converge to a local extremum
point, missing the global optimum.

5.9 Transformasi Data

Seperti yang sudah dijelaskan sebelumnya, alangkah baik apabila semua data
memiliki hubungan secara linear atau bersifat linearly separable. Kenyataan-
nya, kebanyakan data bersifat non-linearly separable. Kita dapat mentransfor-
masi data yang bersifat non-linearly separable menjadi linearly-separable se-
belum menggunakan model linear untuk mengklasifikasikan data. Sebagai con-
toh, perhatikan Gambar 5.14. Pada gambar bagian kiri, terdapat empat titik
yang non-linearly separable. Titik-titik itu ditransformasi sehingga menjadi
gambar bagian kanan. Fungsi transformasi yang digunakan diberikan pada
persamaan 5.28.

(p
x2 + y 2 ≥ 2 → (4 − x + kx − yk, 4 − x + kx − yk)
φ(x, y) = p 2 (5.28)
x + y 2 ≤ 2 → (x, y)

Secara umum, fungsi transformasi tidaklah sesederhana contoh yang diberikan.

Fungsi transformasi pada umumnya menambah dimensi data (misal dari dua
dimensi, menjadi tiga dimensi). Beberapa fungsi transformasi (dikenal juga
dengan istilah kernel ) yang terkenal diantaranya12 :
1. Fisher Kernel
12
https://en.wikipedia.org/wiki/Kernel_method
74 5 Model Linear

Gambar 5.14. Contoh transformasi [7]

2. Graph Kernel
3. Kernel Smoother
4. Polynomial Kernel
5. Radial Basis Function Kernel
6. String Kernel
Untuk penjelasan masing-masing kernel, silahkan membaca literatur lain lebih
lanjut. Model linear yang memanfaatkan fungsi-fungsi kernel ini adalah sup-
port vector machine (SVM) [27, 28]. Perhatikan, algorithma SVM sebenarnya
sangatlah penting. Akan tetapi, perlu kami informasikan bahwa buku ini tidak
memuat materi SVM secara detil. Dengan demikian, kami harap pembaca da-
pat mencari referensi lain tentang SVM. Metode transformasi pun tidaklah
sempurna, seperti yang akan dijelaskan pada bab 11, karena memang data se-
cara alamiah memiliki sifat yang non-linear. Dengan demikian, lebih baik apa-
bila kita langsung saja memodelkan permasalahan dengan fungsi non-linear.

5.10 Bacaan Lanjutan

Kami harap pembaca mampu mengeksplorasi materi kernel method dan sup-
port vector machine (SVM). Kami mencantumkan materi SVM pada buku ini
sedemikian pembaca mampu mendapatkan intuisi, tetapi tidaklah detil. Kami
sarankan kamu membaca pranala https://www.svm-tutorial.com/ karena
ditulis dengan cukup baik. Mengerti materi SVM dan convex optimization
secara lebih dalam akan sangat membantu pada bab-bab berikutnya. Selain
itu, kami juga menyarankan pembaca untuk melihat kedua pranala tambahan
tentang learning rate dan momentum:
1. http://users.ics.aalto.fi/jhollmen/dippa/node22.html
2. http://www.willamette.edu/~gorr/classes/cs449/momrate.html
 5.10 Bacaan Lanjutan 75

Soal Latihan
5.1. Hill Climbing
Baca dan jelaskanlah konsep Hill Climbing!

5.2. Variasi Optimisasi

Baca dan jelaskanlah variasi konsep optimisasi lain, selain stochastic gradient
descent!

5.3. Convex Optimization

Bacalah literatur yang memuat materi tentang convex optimization! Jelaskan
pada teman-temanmu apa itu fungsi convex dan concave, tidak lupa isi materi
yang kamu baca! Bagaimana hubungan convex optimization dan pembelajaran
mesin?

5.4. Sum of Squared Errors

Salah satu cara untuk mencari nilai parameter pada regresi adalah menggu-
nakan teknik sum of squared errors. Jelaskanlah bagaimana cara kerja metode
tersebut! (Hint: baca buku oleh James et al. [17])

5.5. Linear Discriminant Analysis

Jelaskan prinsip dan cara kerja linear discriminant analysis! (Hint: baca buku
oleh James et al. [17])
6
Pohon Keputusan

“Sometimes you make the right

decision, sometimes you make
the decision right.”

Phil McGraw

Bab ini akan menjelaskan salah satu varian pohon keputusan yaitu ID3
oleh Quinlan [29, 30] yang terinspirasi oleh teori informasi [31]. Algoritma ini
sudah cukup tua, tetapi layak dimengerti. ID3 adalah salah satu varian dari
supervised learning.

6.1 Inductive Learning

Salah satu bentuk “kecerdasan” sederhana kemungkinan adalah dalam ben-

tuk aturan (rule) yang merepresentasikan pengetahuan. Misalkan, untuk
menentukan apakah suatu pasien terserang penyakit tertentu, dokter men-
cari tahu gejala-gejala yang ada. Berdasarkan gejala-gejala yang ada, dok-
ter memutuskan bahwa pasien memiliki suatu penyakit. Pada zaman dahulu,
peneliti mentranskripsi aturan-aturan (if then) eksplisit (berdasarkan penge-
tahuan ahli) untuk membuat agen cerdas (expert system). Aturan sangat
berguna, tetapi proses transkripsi pengetahuan sang ahli menjadi aturan for-
mal (matematis) adalah hal yang sulit.
Pada era big data seperti sekarang, kita dapat mengotomatisasi hal terse-
but dengan membuat aturan-aturan secara otomatis berdasarkan contoh data
yang ada (machine learning). Pendekatan ini disebut inductive learning, yaitu
mengembangkan aturan klasifikasi yang dapat menentukan kelas suatu instans
berdasarkan nilai atributnya (feature vector ). Cara paling sederhana diberikan
pada subbab 3.3 yaitu mendaftarkan seluruh kemungkinan aturan yang ada,
kemudian menghapus yang kurang cocok. Algoritma lebih baik adalah dengan
membangun pohon keputusan (decision tree).
78 6 Pohon Keputusan

6.2 ID3
Seperti yang dijelaskan pada subbab sebelumnya, decision tree adalah var-
ian dari inductive learning. ID3 adalah salah satu algoritma varian deci-
sion tree [30]. Decision tree dibangun berdasarkan asumsi bila atribut yang
ada memberikan informasi yang cukup memadai maka kita mampu memban-
gun decision tree yang mampu mengklasifikasikan seluruh instans di training
data [30]. Akan tetapi, kita tentunya ingin melakukan generalisasi, yaitu de-
cision tree yang juga mampu mengklasifikasikan objek dengan benar untuk
instans yang tidak ada di training data (unseen instances). Oleh karena itu,
kita harus mampu mencari hubungan antara kelas dan nilai atribut.

Gambar 6.1. Final decision tree

id outlook temperature humidity windy play (class)

1 sunny hot high false no
2 sunny hot high true no
3 overcast hot high false yes
4 rainy mild high false yes
5 rainy cool normal false yes
6 rainy cool normal true no
7 overcast cool normal true yes
8 sunny mild high false no
9 sunny cool normal false yes
10 rainy mild normal false yes
11 sunny mild normal true yes
12 overcast mild high true yes
13 overcast hot normal false yes
14 rainy mild high true no
Tabel 6.1. Contoh dataset play tennis (UCI machine learning repository)
 6.2 ID3 79

Strategi pembangunan ID3 adalah berdasarkan top-down rekursif. Per-

tama, kita pilih atribut untuk root pohon, lalu membuat cabang untuk setiap
nilai atribut yang mungkin. Untuk masing-masing cabang, kita buat subtree.
Kita hentikan proses ini ketika kita sudah mencapai leaf (tidak bisa menca-
bang lebih jauh). Leaf ditandai apabila seluruh instans pada cabang tersebut
memiliki kelas yang sama. Atribut yang sudah dipilih pada ancestor tidak
akan dicoba pada percabangan di cabang tertentu.
Sebagai contoh, perhatikanlah Gambar 6.1 yang merupakan hasil ID3
untuk Tabel 6.1. Bentuk elips merepresentasikan nama atribut, sementara
edge (panah) merepresentasikan nilai atribut. Bentuk segi empat merepre-
sentasikan klasifikasi kelas (leaf ). Pohon keputusan pada Gambar 6.1 dapat
dikonversi menjadi kumpulan aturan klasifikasi berbentuk logika preposisi
dengan menelusuri setiap cabang pada pohon tersebut, yaitu:
• if outlook=sunny and humidity=high then play=no

• if outlook=sunny and humidity=normal then play=yes

• if outlook=overcast then play=yes

• if outlook=rainy and windy=false then play=yes

• if outlook=rainy and windy=true then play=no

Pada setiap langkah membangun ID3, kita menggunakan information

gain untuk memilih kandidat atribut terbaik. Information gain mengukur
kemampuan suatu atribut untuk memisahkan training data berdasarkan ke-
las [7].
Sebelum masuk ke perumusan information gain, kami akan memperke-
nalkan entropy terlebih dahulu. Entropy (derajat ketidakteraturan) adalah
informasi yang dibutuhkan untuk memprediksi sebuah kejadian, diberikan
distribusi probabilitas. Secara matematis, entropy didefinisikan pada per-
samaan 6.1 (x adalah kumpulan nilai probabilitas).
N
X
entropy(x) = − xi logxi (6.1)
i=1

Kita juga definisikan Info sebagai persamaan 6.2.

c1 c2 cN
Info(c1 , c2 , . . . , cN ) = entropy( PN , PN , . . . , PN ) (6.2)
j cj j cj j cj

dimana ci adalah jumlah instans diklasifikasikan sebagai kelas ke-i (atau se-
cara lebih umum, ke node-i). Information gain dihitung sebagai persamaan 6.3.
80 6 Pohon Keputusan
X cv
IG(c1 , c2 , . . . , cN ) = Info(c1 , c2 , . . . , cN ) − PN Info(c1 v , c2 v , . . . , cN v )
vV i=1 ci
(6.3)
dimana ci adalah jumlah instans untuk kelas ke-i, v adalah nilai atribut, cv
adalah jumlah instans ketika dicabangkan dengan nilai atribut v, cvx adalah
jumlah instans kelas saat percabangan. Information gain dapat dimaknai se-
bagai pengurangan entropy karena melakukan percabangan.
Sebagai contoh, mari kita hitung Information gain untuk atribut outlook
sebagai root. Dari keseluruhan data terdapat 9 instans untuk play = yes dan
5 instans untuk play = no. Kita hitung Info semesta sebagai (log basis 2)
 
9 5
Info([9, 5]) = entropy ,
14 14
   
9 9 5 5
= − log − log
14 14 14 14
= 0.940
Kita hitung entropy untuk masing-masing nilai atribut outlook sebagai berikut:
• outlook = sunny
Ada dua instans dengan play = yes dan tiga instans dengan play = no
saat outlook = sunny, dengan demikian kita hitung Info-nya.
 
2 3
Info([2, 3]) = entropy ,
5 5
   
2 2 3 3
= − log − log
5 5 5 5
= 0.971
• outlook = overcast
Ada empat instans dengan play = yes dan tidak ada instans dengan
play = no saat outlook = overcast, dengan demikian kita hitung Info-
nya.
 
4 0
Info([4, 0]) = entropy ,
4 4
   
4 4 0 0
= − log − log
4 4 4 4
=0
Perhatikan log 0 pada matematika adalah tidak terdefinisi, tapi kita
anggap 0 log 0 sebagai 0 dalam komputasi.
• outlook = rainy
Ada tiga instans dengan play = yes dan dua instans dengan play = no
saat outlook = rainy, dengan demikian kita hitung Info-nya.
 6.2 ID3 81

 
3 2
Inf o([3, 2]) = entropy ,
5 5
   
3 3 2 2
= − log − log
5 5 5 5
= 0.971

Kita hitung information gain untuk atribut outlook sebagai

IG(outlook) = Info ([9, 5]) −

 
5 4 5
× Info ([3, 2]) + × Info([4, 0]) + × Info([3, 2])
14 14 14
 
5 4 5
= 0.940 − × 0.971 + ×0+ × 0.971
14 14 14
= 0.940 − 0.693
= 0.247
Dengan metode yang sama, kita hitung information gain untuk atribut lain-
nya.
• IG(temperature) = 0.029

• IG(humidity) = 0.152

• IG(windy) = 0.048

Dengan demikian, kita memilih atribut outlook sebagai root.

Kita lanjutkan lagi membuat subtree setelah memilih atribut outlook seba-
gai root. Kita hitung atribut yang tepat pada cabang outook = sunny, seperti
diilustrasikan pada Gambar 6.2.
Pada outlook = sunny, terdapat dua instans dengan kelas play = yes
dan tiga instans dengan kelas play = no. Kita hitung information gain saat
melanjutkan cabang dengan atribut humidity.

 
3 2
IG(humidity) = Info([2, 3]) − × Info([0, 3]) + × Info([2, 0])
5 5
= 0.971 − 0
= 0.971
Untuk setiap kedalaman, kita coba menggunakan atribut yang belum pernah
dicoba pada level-level lebih atas, seperti yang sudah diilutrasikan. Proses ini
dilanjutkan sampai kita tidak bisa atau tidak perlu mencabang lagi.
82 6 Pohon Keputusan

Gambar 6.2. Percabangan

6.3 Isu pada ID3

Pada algoritma decision tree secara umum, terdapat beberapa isu diantara
lain [7, 32]:
1. Mudah overfitting
2. Masalah menangani atribut kontinu
3. Information gain memiliki bias terhadap atribut yang memiliki banyak
nilai (highly-branching attributes)
4. Data dengan missing value. Beberapa sel pada tabel dataset tidak terisi.
5. Data dengan unseen value. Misal nilai atribut yang tidak pernah dilihat
pada training data, muncul saat testing.

6.4 Pembagian Ruang Konsep

Ada hubungan antara algorithma decision tree dan model linear. Pada model
linear, kita semacam membagi-bagi ruang konsep (semesta data) menjadi ru-
ang per kelas menggunakan garis pembatas linear. Decision tree melakukan
hal yang hampir sama, karena percabangan decision tree dapat dianggap se-
bagai linear. Sebagai contoh perhatikan ilustrasi Gambar 6.3, dimana semesta
adalah suatu ruang konsep. Tiap ruang merepresentasikan suatu cabang (dari
root sampai leaf ) pada decision tree. Garis-garis yang membentuk ruang-
ruang pemisah disebut sebagai decision boundary .
 6.4 Pembagian Ruang Konsep 83

Gambar 6.3. Ilustrasi pembagian ruang konsep

Soal Latihan
6.1. Isu
Pada subbab 6.3, telah disebutkan isu-isu yang ada pada ID3, sebutkan dan
jelaskan bagaimana cara menangani masing-masing isu tersebut!
6.2. Gain Ratio
Selain information gain, kita dapat menggunakan cara lain untuk memilih
atribut bernama gain ratio. Jelaskan perbedaan keduanya! Yang mana lebih
baik?
6.3. C4.5
ID3 disempurnakan kembali oleh pembuat aslinya menjadi C4.5. Jelaskanlah
perbedaan ID3 dan C4.5, beserta alasan strategi penyempurnaan!
6.4. Pruning
Jelaskan apa itu pruning dan bagaimana cara melakukan pruning untuk de-
cision tree!
6.5. Association Rule
Terdapat beberapa algoritma association rule yang membentuk aturan-aturan
seperti decision tree.
(a) Jelaskanlah algoritma PRISM dan Apriori!
(b) Jelaskan perbedaan association rule dan inductive learning!
6.6. Final Decision Tree
Lanjutkanlah proses konstruksi ID3 untuk Tabel 6.1 hingga membentuk de-
cision tree akhir seperti pada Gambar 6.1!
6.7. Variant
Jelaskanlah Random Forest, Bagging dan Boosting pada Decision Tree!
7
Support Vector Classifier

“More data beats clever

algorithms, but better data
beats more data.”

Peter Norvig

Saat membaca judul bab ini, kamu mungkin berpikir bahwa support vec-
tor machine akan dibahas. Support vector classifier dan support vector ma-
chine adalah dua hal yang berbeda, walau kedua istilah tersebut sering digu-
nakan pada konteks yang mirip [17]. Support vector classifier sesungguhnya
adalah konsep yang lebih sederhana. Walaupun bab ini menyinggung kulit
support vector machine, kami tidak membahas secara rinci. Akan tetapi, kami
berharap pembaca mampu mendapatkan intuisi. Kamu dapat menganggap
bab ini sebagai kelanjutan cerita bab 5. Referensi utama bab ini adalah buku
karangan James et al. [17].

7.1 Maximal Margin Classifier

Ingat kembali kedua bab sebelumnya bahwa model klasifikasi mencari suatu
decision boundary untuk memisahkan data pada kelas satu dan kelas lainnya.
Apabila kamu memiliki data berdimensi dua, maka decision boundary yang
kita dapat berupa garis. Pada data tiga dimensi, decision boundary berupa
sebuah bidang (plane). Sebagai ilustrasi, lihatlah Gambar 7.1. Secara umum,
konsep bidang pemisah disebut sebagai hyperplane. Untuk data berdimensi
F , bidang pemisah kita memiliki dimensi F − 1.
Secara matematis, hyperplane didefinisikan pada persamaan 7.1 (dapat
ditulis ulang seperti persamaan 7.2), dimana x melambangkan suatu fitur, x
adalah input dalam bentuk feature vector dan F melambangkan banyaknya fi-
tur. Ingat kembali, ruas kiri pada persamaan adalah bentuk dasar pada model
linear. Dengan demikian, kita mengasumsikan bahwa data dapat dipisahkan
86 7 Support Vector Classifier

Gambar 7.1. Ilustrasi hyperplane

secara linear.
x1 w1 + x2 w2 + · · · + xF wF + b = 0 (7.1)
x·w+b=0 (7.2)
Untuk permasalahan klasifikasi dua kelas, kita dapat memisahkan keputusan
berdasarkan letak data pada hyperplane, misal di atas atau di bawah hyper-
plane pada Gambar 7.1. Secara lebih matematis, seperti pada persamaan 7.3
dan 7.4. Konsep ini mirip seperti yang sudah dijelaskan pada bab 5 tentang
melakukan binary classification menggunakan fungsi sign dan thresholding.

if x · w + b > 0, then class A (7.3)

if x · w + b < 0, then class B (7.4)

Apabila kita memang mampu memisahkan data dua kelas secara sem-
purna dengan suatu hyperplane (linearly separable), pilihan hyperplane yang
dapat kita buat tidaklah satu. Artinya, kita dapat menggeser-geser garis pem-
batas, disamping tetap memisahkan data secara sempurna, seperti diilus-
trasikan pada Gambar 7.2. Hyperplane terbaik dari beberapa pilihan yang
ada adalah yang memiliki maximal margin. Artinya, suatu hyperplane yang
memiliki jarak terjauh terhadap data pada suatu kelas. Dengan demikian,
ada jarak yang besar dari hyperplane dengan data. Ilustrasi diberikan pada
Gambar 7.3. Kita harap, suatu hyperplane yang memiliki margin besar dapat
melakukan klasifikasi dengan baik pada data yang belum kita lihat, karena
kita memberikan margin yang besar untuk suatu data baru masuk ke daerah
kelas masing-masing. Bentuk lingkaran yang memiliki border berwarna hitam
pada Gambar 7.4 menandakan data terluar pada masing-masing kelas, dikenal
sebagai support vectors. Garis putus-putus melambangkan garis yang diben-
tuk oleh masing-masing support vectors untuk masing-masing kelas (margin).
 7.1 Maximal Margin Classifier 87

Gambar 7.2. Ilustrasi banyak pilihan hyperplane. Garis hitam melambangkan opsi
hyperplane untuk memisahkan data secara sempurna.

Gambar 7.3. Maximal Margin Hyperplane. Bentuk lingkaran yang memiliki border
berwarna hitam menandakan data terluar pada masing-masing kelas, dikenal sebagai
support vectors. Garis putus-putus melambangkan garis yang dibentuk oleh masing-
masing support vectors untuk masing-masing kelas (margin)
88 7 Support Vector Classifier

Apabila kita definisikan (simbolkan) kelas pertama dengan output bernilai

1 dan kelas kedua bernilai −1 (ingat kembali materi fungsi sign), maka support
vectors adalah poin x yang memenuhi kriteria pada persamaan 7.5. Dengan
demikian, semua data berlabel 1 dan −1 memenuhi persamaan 7.6, dimana y
melambangkan kategori. Hal inilah yang disebut sebagai maximal margin
classifier. Kita mencari support vectors yang memberikan hyperplane yang
memiliki maximal margin. Lihatlah ilustrasi pada Gambar 7.4!

|x · w + b| = 1 (7.5)

yi (x · w + b) ≥ 1 (7.6)

Gambar 7.4. Maximal Margin Classifier

Misalkan kita ambil satu support vector dari masing-masing kelas. Pada
kelas pertama, ia memenuhi xc1 · w + b = 1. Pada kelas kedua, ia memenuhi
xc2 ·w+b = −1. Apabila kita kurangi kedua persamaan tersebut, kita mendap-
atkan persamaan 7.7. Persamaan 7.8 memberikan perhitungan margin antara
support vectors dan hyperplane yang memberikan nilai maksimal.

w · (xc1 − xc2 ) = 2 (7.7)

 7.1 Maximal Margin Classifier 89

w 2
· (xc1 − xc2 ) = (7.8)
kwk kwk
Sekarang, kita formalisasi maximal margin classifier secara matematis. Ob-
jektifnya adalah memaksimalkan margin (persamaan 7.9) dengan menjaga
setiap training data diklasifikasikan dengan benar (persamaan 7.10).
2
Objective : maximize Margin = (7.9)
kwk

Subject to : yi (xi · w + b) ≥ 1 (7.10)

Tidak sama dengan model linear yang sudah dijelaskan sebelumnya, kita in-
gin mengoptimasi sebuah fungsi sembari memenuhi kendala (constraint) dari
fungsi lain. Ini adalah bentuk integer linear programming, dan solusi untuk
maximal margin classifier dapat diselesaikan menggunakan lagrange multi-
plier. Untuk detail penyelesaiannya, silahkan membaca sumber lainnya.
Seperti yang kamu sadari, maximal margin classifier hanya bergantung
pada subset training data yang dipilih sebagai support vectors. Dengan demikian,
metode ini sangat sensitif terhadap tiap-tiap observasi. Satu observasi baru
yang menjadi support vector dapat merubah decision boundary. Kita kenal
ini sebagai overfitting. Ilustrasi permasalahan ini diberikan pada Gambar 7.5.
Selain itu, maximal margin classifier mengasumsikan bahwa data bersifat lin-
early separable, walaupun kebanyakan data tidak bersifat demikian.

Gambar 7.5. Maximal Margin Classifier sangatlah sensitif terhadap perubahan

training data. Lingkaran berwarna oranye melambangkan training data baru. Akibat
kemuculan data baru ini, decision boundary awal (garis berwarna hitam) berubah
secara cukup dramatis (garis berwarna oranye)
90 7 Support Vector Classifier

7.2 Support Vector Classifier

Support Vector Classifier adalah ekstensi dari maximal margin classi-
fier. Ide utamanya adalah relaksasi kendala pada persamaan 7.10. Sebelum-
nya, maximal margin classifier mengasumsikan bahwa data bersifat linearly
separable dan dipisahkan secara sempurna. Akan tetapi, kenyataan tidaklah
demikian. Ide support vector classifier adalah memperbolehkan beberapa data
diklasifikasikan dengan salah. Kita modifikasi constraint persamaan 7.10 men-
jadi persamaan 7.11 untuk memperbolehkan model salah mengklasifikasikan
data dengan parameter kontrol , melambangkan apakah suatu observasi boleh
berada pada ruang yang tidak tepat. Kita juga dapat membatasi seberapa
banyak kesalahan yang dibuat dengan constraint baru yang diberikan pada
persamaan 7.12.

Subject to : yi (xi · w + b) ≥ 1(1 − i ) (7.11)

X
i ≥ 0; i ≤ C (7.12)
Ilustrasi support vector classifier diberikan pada Gambar 7.6. Disini, kita
sedikit modifikasi definisi support vectors sebagai observasi yang tepat jauh
pada margin atau pada daerah yang tidak sesuai dengan kelasnya [17].

Gambar 7.6. Support Vector Classifier. Lingkaran dengan border berwarna hitam
melambangkan support vectors, garis putus-putus melambangkan margin

Walaupun memperbolehkan beberapa observasi boleh tidak berada pada

ruang yang tepat (berdasarkan margin), support vector classifier masih memi-
liki asumsi bahwa decision boundary berbentuk suatu fungsi linear. Ini adalah
batasan utama model ini.
 7.3 Support Vector Machine 91

7.3 Support Vector Machine

Gambar 7.7. Ilustrasi transformasi data. Garis berwarna hijau melambangkan de-
cision boundary

Berhubung banyak decision boundary tidak dapat dimodelkan dengan su-

atu bentuk atau persamaan linear, kita harus memodelkan decision bound-
ary sebagai fungsi non-linear. Ekstensi support vector classifier adalah sup-
port vector machine yang menggunakan teknik kernel . Suatu fungsi kernel
mentransformasi data ke ruang (space atau dimensi) lainnya (biasanya ke di-
mensi lebih tinggi). Data yang ditransformasi ini (pada dimensi lebih tinggi),
kita harapkan dapat dipisahkan dengan fungsi linear. Apabila kita lihat balik
pada dimensi asli, decision boundary pada dimensi yang baru memodelkan su-
atu decision boundary non-linear pada dimensi aslinya. Hal ini diilustrasikan
pada Gambar 7.7. Fungsi kernel ini ada banyak, beberapa yang terkenal di-
antaranya1 :
1. Polynomial Kernel (persamaan 7.13)
2. Radial Basis Function Kernel (persamaan 7.14, σ melambangkan varians)
Yang membedakan support vector machine dan support vector classifier adalah
mengintegrasikan fungsi kernel pada model.

k(xi , xj ) = (xi · xj + 1)d (7.13)

kx − yk2
 
k(x, y) = exp − (7.14)
2σ 2
Sebelum membahas bagaimana fungsi kernel diintegrasikan pada SVM,
kita sedikit bahas kembali support vector classifier. Ingat kembali support vec-
tor classifier mencari maximal margin (persamaan 7.9) dengan kendala per-
samaan 7.11 dan 7.12. Suatu support vector classifier yang memenuhi seluruh
kendala tersebut dapat direpresentasikan sebagai persamaan 7.15 dimana x0

1
https://data-flair.training/blogs/svm-kernel-functions/
92 7 Support Vector Classifier

melambangkan suatu data baru, xi adalah suatu instans pada training data
dan N adalah banyaknya training data. Operasi hx0 , xi i melambangkan in-
ner product. Cara menghitung inner product dari dua vektor diberikan pada
persamaan 7.16, dimana F melambangkan panjangnya vektor. Inner product
dapat diinterpretasikan sebagai perhitungan kemiripan dua vektor.
N
X
f (x0 ) = β0 + αi hx0 , xi i (7.15)
i=1

F
X
ha, bi = aj bj (7.16)
j=1

Untuk menghitung parameter β dan α pada persamaan 7.15, kita membu-

tuhkan N2 kombinasi pasangan instans yang ada pada training data. Akan

tetapi, pada saat melewatkan suatu input baru pada persamaan tersebut,
kita sebenarnya cukup menghitung seberapa kedekatan (kemiripan) antara
input dan support vectors. Hal ini disebabkan α bernilai 0 untuk instans se-
lain support vectors, i.e., diatur hanya bernilai nonzero untuk support vec-
tors. Artinya, keputusan klasifikasi bergantung pada pilihan support vectors.
Dengan demikian, kita dapat menulis kembali persamaan 7.15 sebagai per-
samaan 7.17. X
f (x0 ) = β0 + αi hx0 , xi i (7.17)
xi ∈S

Ketika menggunakan fungsi kernel, kita menghitung kemiripan (inner prod-

uct) antara dua vektor pada dimensi transformasi. Kita mengghanti inner
product menggunakan suatu fungsi kernel, ditulis sebagai persamaan 7.18.
Persamaan inilah yang dikenal sebagai support vector machine (SVM).
Untuk memodelkan non-linear decision boundary, kita menggunakan fungsi
yang bersifat non-linear sebagai kernel.
X
f (x0 ) = β0 + αi k(x0 , xi ) (7.18)
xi ∈S

Untuk memahami SVM lebih dalam, kamu bisa membaca buku karangan
Bishop [8].

7.4 Klasifikasi lebih dari dua kelas

Penjelasan pada bab ini berfokus pada binary classification. Memang, maximal
margin classifier dan ekstensinya difokuskan pada permasalahan binary clas-
sification. Kita dapat mengekstensinya untuk multi-label classification. Ada
dua teknik yang umumnya digunakan, yaitu one versus one dan one versus
all seperti yang sudah dijelaskan pada bab 5.
 7.5 Tips 93

7.5 Tips
Untuk memahami materi yang disampaikan pada bab ini secara lebih dalam,
kami menyarankan kamu untuk mempelajari optimization theory dan oper-
ation research (i.e., integer linear programming). Sejarah dan perkemban-
gan support vector machine dapat dibaca pada paper-paper yang diberikan
di pranala http://www.svms.org/history.html. Walaupun penjelasan pada
bab ini hanya bersifat “kulit”-nya saja, kami harap pembaca mampu menda-
patkan intuisi.

Soal Latihan

7.1. Metode Kernel

Baca dan jelaskanlah konsep metode kernel yang dijelaskan pada buku
Bishop [8]!

7.2. Fungsi Kernel

Jelaskanlah macam-macam fungsi kernel yang sering digunakan untuk support
vector machine!

7.3. SVM-rank
Walau umumnya digunakan untuk permasalahan klasifikasi, SVM juga dapat
diaplikasikan pada permasalahan ranking (learning to rank ), dikenal seba-
gai SVM-rank 2 . Permasalahan ini adalah inti dari search engine. Jelaskanlah
bagaimana cara kerja SVM-rank !

2
https://www.cs.cornell.edu/people/tj/svm_light/svm_rank.html
8
Hidden Markov Model

“Probability is expectation
founded upon partial knowledge.
A perfect acquaintance with all
the circumstances affecting the
occurrence of an event would
change expectation into
certainty, and leave neither room
nor demand for a theory of
probabilities.”

George Boole

Hidden Markov Model (HMM) adalah algoritma yang relatif cukup lama
[33]. Tetapi algoritma ini penting untuk diketahui karena digunakan seba-
gai teknik dasar untuk automatic speech recognizer (ASR) dan part-of-speech
(POS) tagging. Bab ini akan membahas ide dasar HMM serta aplikasinya pada
POS tagging (natural language processing). Aplikasi tersebut dipilih karena
penulis lebih familiar dengan POS tagging. Selain itu, POS tagging relatif
lebih mudah dipahami dibandingkan aplikasi HMM pada ASR1 . HMM adalah
kasus spesial Bayesian Inference [12, 34, 5]. Untuk mengerti Bayesian In-
ference, ada baiknya kamu membaca materi graphical model pada buku
pattern recognition and machine learning [8]. Bab ini relatif lebih kompleks
secara matematis dibanding bab-bab sebelumnya. Oleh karena itu, kami harap
pembaca membaca dengan sabar.

8.1 Probabilistic Reasoning

Pada logika matematika (first order logic), ketika kita memiliki premis “bila
hujan, maka ayu terpeleset”. Pada level first order logic, apabila “hujan” ter-
1
Karena perlu dijelaskan juga cara transformasi sinyal suara menjadi data diskrit.
96 8 Hidden Markov Model

jadi, maka “terpeleset” juga pasti akan terjadi. Tetapi tidak sebaliknya, apa-
bila kita “terpeleset”, belum tentu “hujan” juga terjadi. Pada probabilistic
reasoning kita mengkuantifikasi kepastian atau ketidakpastian itu. Apabila
“hujan” terjadi, berapa besar kemungkinan “terpeleset” juga terjadi (dan se-
baliknya).
Perhatikan Gambar 8.1! Gambar ini menerangkan hubungan pengkon-
disian events, disebut Bayesian Network. Panah dari “hujan” ke “terpe-
leset” merepresentasikan bahwa “hujan” adalah kondisi yang menyebabkan
“terpeleset” terjadi (causality). Pada kerangka probabilistic reasoning, kita
berpikir “karena ada hujan, mungkin seseorang terpeleset dan kecelakaan juga
terjadi”. Tetapi, apabila ada cerita lain bahwa seseorang “terpeleset” dan ada
juga “kecelakaan”; belum tentu keduanya disebabkan oleh “hujan” (kedua
kejadian tidak terhubung).

Gambar 8.1. Contoh Bayesian Network

Terdapat beberapa kerangka berpikir yang berbeda-beda, tergantung hubun-

gan kausalitas antara events: serial, diverging, dan converging (diilustrasikan
pada Gambar 8.2.

Gambar 8.2. Tipe jaringan kausalitas

Berdasarkan hubungan/jaringan kausalitas antara events, ada beberapa

kerangka berpikir yang dapat digunakan: serial, diverging, dan converging [5].
Karakteristik dari masing-masing tipe kausalitas adalah sebagai berikut [5]:
(a) Serial. Bila kita mengetahui A maka kita bisa mengetahui sesuatu tentang
B dan C. Tetapi apabila kita mengetahui B, mengetahui A tidak akan
 8.1 Probabilistic Reasoning 97

membantu inferensi kita terhadap C. Mengetahui C akan membuat kita

mengetahui sesuatu tentang A ketika kita tidak mengetahui B. Artinya,
hubungan antara A dan C di-block ketika B diketahui. Dengan bahasa
lebih matematis, A dan C bersifat independen kondisional (condi-
tionally independent) ketika B diketahui. Perhatikan, disebut kondisional
karena independen jika kondisi (mengetahui B) terpenuhi.
(b) Diverging. Bila kita mengetahui A maka kita bisa mengetahui sesuatu
tentang C, dan sebaliknya. Tetapi apabila B diketahui, maka hubungan
antara A dan C menjadi terputus. Dengan bahasa lebih matematis, A dan
C independen kondisional ketika B diketahui.
(c) Converging. Tanpa mengetahui B, kita tidak bisa mencari tahu hubungan
antara A dan C. Dengan bahasa lebih matematis, A dan C dependen
kondisional ketika B diketahui.
Dua buah events X dan Y disebut d-separated apabila terdapat sebuah
intermediate variable Z diantara mereka dan memenuhi kondisi:
1. Koneksi bersifat serial atau diverging, dan Z diketahui.
2. Koneksi bersifat converging dan Z tidak diketahui.
3. Bila tidak memenuhi kondisi yang disebutkan, artinya dua buah variabel
tersebut tidak d-separated, disebut sebagai d-connected .
Konsep ini penting dipahami untuk mengerti ide dasar markov assumption
yang dibahas pada subbab berikutnya.

Gambar 8.3. Contoh inferensi

Perhatikan Gambar 8.3! Dengan konsep yang sudah dipahami, mari kita
coba lakukan inferensi pada jaringan tersebut. Joint distribution untuk selu-
ruh event diberikan pada persamaan 8.1.

P (A, B, C, D, E) = P (D | B) P (E | B) P (B | A, C) P (A) P (C) (8.1)

Sekarang, mari kita hanya lihat subgraf {A, B, E} dengan koneksi tipe serial.
Bila A diketahui, maka kita dapat melakukan inferensi terhadap C, seperti
pada persamaan 8.2.
98 8 Hidden Markov Model

P (E | A) = P (E | B) P (B | A) P (A) + P (E | ¬B) P (¬B | A) P (A) (8.2)

Tetapi, apabila A dan B diketahui, maka inferensi terhadap E dilakukan

seperti pada persamaan 8.3.

P (E | B, A) = P (E | B) P (B) (8.3)

Operasi serupa dapat diaplikasikan pada koneksi tipe converging dan diverg-
ing. Perhatikan subgraf {A, B, C} dengan tipe koneksi converging pada Gam-
bar 8.3. Apabila B tidak diketahui, berarti A dan C terpisah (independen).
Apabila B dan A diketahui, maka hubungan A dan C dapat dihitung sebagai
persamaan 8.4.

P (C | B, A) = P (C | B) P (B | A)P (A) (8.4)

Untuk koneksi tipe diverging, silahkan coba bagaimana mencari proses infer-
ensinya! (pekerjaan rumah).

8.2 Generative Model

Pada supervised learning kamu sudah mengetahui bahwa kita memodelkan
p(y | x), memodelkan target y (label) ketika diberikan input x2 , yaitu mencari
tahu decision boundary antara keputusan. x dan y dapat berupa vektor, skalar,
gambar, dan lain sebagainya. Sementara pada unsupervised learning, kita ingin
mengaproksimasi distribusi asli dari sebuah input sebagai p(x).
Berbeda dengan keduanya, generative model memodelkan p(x, y). Per-
samaan itu dapat difaktorkan sebagai p(x, y) = p(y | x)p(x). Pada umumnya,
kita lebih tertarik dengan nilai y yang menyebabkan p(x, y) bernilai mak-
simum, berhubung x akan selalu tetap3 . Berbeda dengan supervised learn-
ing, generative model dapat difaktorkan menjadi p(y | x) dan p(x). Karena
berbentuk joint probability, generative model memodelkan peluang kemuncu-
lan bersamaan. Kita ingin mengetahui seberapa mungkin suatu data x di-
hasilkan, diberikan y. Artinya seberapa mungkin input diobservasi untuk su-
atu output. Salah satu contoh generative model adalah Hidden Markov Model
(HMM). HMM memodelkan observasi menggunakan proses Markovian den-
gan state yang tidak diketahui secara jelas (hidden). Kamu akan mengerti
kalimat sebelumnya setelah membaca penjelasan buku ini seluruhnya.
Ide utama HMM adalah menyelesaikan persoalan sequence tagging .
Diberi-kan input x berupa sekuens (sekuens sinyal, sekuens kata, sekuens
gambar, dsb). Kita ingin memodelkan sekuens output terbaik y untuk input
tersebut4 . Output ke-i bergantung pada input dari awal sampai ke-i dan out-
put dari awal sampai sebelumnya p(yi | y1 , . . . , yi−1 , x1 , . . . , xi ). Berdasarkan
2
Parameter w dihilangkan untuk menyederhanakan penjelasan.
3
Karena x adalah fixed input dan y terbaiklah yang ingin kita temukan.
4
xi dan yi dapat berupa vektor
 8.3 Part-of-speech Tagging 99

pemaparan subbab 8.1, apabila suatu event dikondisikan variabel lain dengan
tipe koneksi serial, maka kita dapat mengabaikan banyak variabel historis.
Hal ini dituangkan dalam persamaan 8.5,

p(yi | y1 , . . . , yi−1 , x1 , . . . , xi ) = p(yi | yi−1 , xi ) (8.5)

Persamaan ini disebut first-order markov assumption, yaitu suatu event
yang seharusnya dikondisikan oleh suatu histori hanya bergantung pada
event sebelumnya. Terdapat pula second, third, dst markov assumption yaitu
bergantung pada dua, tiga, dst events sebelumnya. Walaupun hanya berupa
penyederhanaan, asumsi ini memberi kita banyak keuntungan dari sisi kom-
putasi.

8.3 Part-of-speech Tagging

Pada bidang pemrosesan bahasa alami (natural language processing), peneliti
tertarik untuk mengetahui kelas kata untuk masing-masing kata di tiap kali-
mat. Misalkan kamu diberikan sebuah kalimat “Budi menendang bola”. Sete-
lah proses POS tagging, kamu akan mendapat “Budi/Noun menendang/Verb
bola/Noun”. Hal ini sangat berguna pada bidang pemrosesan bahasa alami,
misalkan untuk memilih noun pada kalimat. Kelas kata disebut sebagai syn-
tactic categories. Pada bahasa Inggris, kita mempunyai kelas kata yang dikenal
dengan Penn Treebank POS Tags 5 , diberikan pada Tabel 8.1.
POS tagging adalah salah satu bentuk pekerjaan sequential classifica-
tion. Diberikan sebuah sekuens (dalam hal ini kalimat), kita ingin menen-
tukan kelas setiap kata/token pada kalimat tersebut. Kita ingin memilih
sekuens kelas kata syntactic categories yang paling cocok untuk kata-kata/tokens
pada kalimat yang diberikan. Secara formal, diberikan sekuens kata-kata
w1 , w2 , . . . , wT , kita ingin mencari sekuens kelas kata c1 , c2 , . . . , cT sedemikian
sehingga kita memaksimalkan nilai probabilitas 8.6 [12, 34].

cˆ1 , cˆ2 , . . . , cˆT = arg max P (c1 , c2 , . . . , cN |w1 , w2 , . . . , wT ) (8.6)

c1 ,c2 ,...,cT ;ci C

Dimana C adalah daftar kelas kata. Akan tetapi, menghitung persamaan 8.6
sangatlah sulit karena dibutuhkan data yang sangat banyak (kombinasi sekuens
kata sangat sulit untuk didaftar/sangat banyak). Teori Bayes digunakan untuk
melakukan aproksimasi permasalahan ini. Ingat kembali teori Bayes seperti
pada persamaan 8.7.

P (y|x)P (x)
P (x|y) = (8.7)
P (y)
5
https://www.ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_
pos.html
100 8 Hidden Markov Model

No. Tag Description

1. CC Coordinating conjunction
2. CD Cardinal number
3. DT Determiner
4. EX Existential there
5. FW Foreign word
6. IN Preposition or subordinating conjunction
7. JJ Adjective
8. JJR Adjective, comparative
9. JJS Adjective, superlative
10. LS List item marker
11. MD Modal
12. NN Noun, singular or mass
13. NNS Noun plural
14. NNP Proper noun singular
15. NNPS Proper noun plural
16. PDT Predeterminer
17. POS Possessive ending
18. PRP Personal pronoun
19. PRP$ Possessive pronoun
20. RB Adverb
21. RBR Adverb, comparative
22. RBS Adverb, superlative
23. RP Particle
24. SYM Symbol
25. TO to
26. UH Interjection
27. VB Verb base form
28. VBD Verb past tense
29. VBG Verb gerund or present participle
30. VBN Verb past participle
31. VBP Verb non-3rd person singular present
32. VBZ Verb 3rd person singular present
33. WDT Wh-determiner
34. WP Wh-pronoun
35. WP$ Possessive wh-pronoun
36. WRB Wh-adverb
Tabel 8.1. Penn Treebank POS Tag

Dengan menggunakan teori Bayes, kita dapat mentransformasi persamaan 8.6

menjadi persamaan 8.8.

P (w1 , w2 , . . . , wT |c1 , c2 , . . . , cT )P (c1 , c2 , . . . , cT )

cˆ1 , cˆ2 , . . . , cˆT = arg max
c1 ,c2 ,...,cT ;ci C P (w1 , w2 , . . . , wT )
(8.8)
 8.3 Part-of-speech Tagging 101

Untuk suatu sekuens input, P (w1 , w2 , . . . , wT ) (language model ) akan se-

lalu sama sehingga dapat diabaikan (karena operasi yang dilakukan adalah
mengubah-ubah atau mencari c). Oleh karena itu, persamaan 8.8 dapat
disederhanakan menjadi 8.9.

cˆ1 , cˆ2 , . . . , cˆT = arg max P (w1 , w2 , . . . , wT |c1 , c2 , . . . , cT )P (c1 , c2 , . . . , cT )

c1 ,c2 ,...,cT ;ci C
(8.9)

dimana kombinasi sekuens kelas kata jauh lebih sedikit dibanding kombi-
nasi sekuens kata (karena kelas kata jumlahnya lebih terbatas). Ingat kembali
P (c1 , c2 , . . . , cT ) disebut prior, P (w1 , w2 , . . . , wT |c1 , c2 , . . . , cT ) disebut like-
lihood (bab 2).
Persamaan 8.9 masih dapat disederhanakan kembali menggunakan markov
assumption, yaitu dengan membuat asumsi saling lepas pada sekuens (dise-
but independence assumption). Terdapat dua asumsi, pertama, kategori
suatu kata hanya bergantung pada dirinya sendiri tanpa memperhitungkan
kelas kata disekitarnya, seperti pada persamaan 8.10. Asumsi kedua adalah
suatu kemunculan kategori kata hanya bergantung pada kelas kata sebelum-
nya, seperti pada persamaan 8.11.
T
Y
P (w1 , w2 , . . . , wT |c1 , c2 , . . . , cT ) = P (wi |ci ) (8.10)
i=1

T
Y
P (c1 , c2 , . . . , cT ) = P (ci |ci−1 ) (8.11)
i=1

Dengan demikian, persamaan 8.9 disederhanakan kembali menjadi persamaan

8.12 yang disebut bigram assumption atau first-order markov chain,
dimana T melambangkan panjangnya sekuens.
T
Y
cˆ1 , cˆ2 , . . . , cˆT = arg max P (wi |ci )P (ci |ci−1 ) (8.12)
c1 ,c2 ,...,cT ;ci C i=1

Kita dapat membuat ekstensi persamaan 8.12 dengan trigram assump-

tion, quadgram assumption, dan seterusnya. P (ci |ci−1 , ci−2 ) untuk tri-
gram, P (ci |ci−1 , ci−2 , ci−3 ) untuk quadgram. Walau menghitung probabilitas
seluruh sekuens adalah hal yang susah, hal tersebut dapat dimodelkan dengan
lebih baik menggunakan recurrent neural network (subbab 13.2). Anda dapat
membaca subbab tersebut kemudian, ada baiknya kita mengerti pendekatan
yang lebih sederhana terlebih dahulu.
Sebagai contoh, untuk kalimat “budi menendang bola”, peluang kalimat
tersebut memiliki sekuens kelas kata “noun, verb, noun” adalah.
102 8 Hidden Markov Model

Bigram Estimate
P (ART |null) 0.71
P (N |null) 0.29
P (N |ART ) 1
P (V |N ) 0.43
P (N |N ) 0.13
P (P |N ) 0.44
P (N |V ) 0.35
P (ART |V ) 0.65
P (ART |P ) 0.74
P (N |P ) 0.26
Tabel 8.2. Probabilitas bigram [34]

P (noun, verb, noun) = P (budi | noun)P (noun | null)P (menendang | verb)

P (verb | noun)P (bola | noun)P (noun | verb)
(8.13)

8.4 Hidden Markov Model Tagger

Pada subbab sebelumnya, POS tagging telah didefinisikan secara matematis.
Kita sudah mengetahui permasalahan yang ingin kita selesaikan. Subbab ini
adalah formalisasi hidden markov model tagger.
Ingat kembali persamaan 8.12 untuk POS tagging. P (wi |ci ) disebutQ likeli-
hood dan P (ci |ci−1 ) disebut prior, multiplication of probabilities ( ) melam-
bangkan markov chain. Markov chain adalah kasus spesial weighted au-
tomaton 6 yang mana sekuens input menentukan states yang akan dilewati
oleh automaton. Sederhananya, automaton mencapai goal state setelah men-
gunjungi berbagai states. Total bobot outgoing edges untuk masing-masing
state pada automaton haruslah bernilai satu apabila dijumlahkan. Kasus spe-
sial yang dimaksud adalah emission (dijelaskan kemudian).
Sebagai contoh, perhatikan Tabel 8.2. ART adalah article, N adalah noun,
V adalah verb dan P adalah preposition. Mereka adalah contoh kelas kata
yang disederhanakan demi membuat contoh yang mudah. Tabel 8.2 yang
merepresentasikan probabilitas transisi kelas kata, ketika dikonversi menjadi
weighted automaton, akan menjadi Gambar 8.4.
Tabel 8.2 dan Gambar 8.4 telah merepresentasikan probabilitas prior,
sekarang kita ingin model yang kita punya juga mencakup lexical emission
probabilities, yaitu likelihood pada persamaan 8.12.
Seumpama kita mempunyai lexical emission probabilities seperti pada
Tabel 8.3. Setiap state pada automaton, dapat menghasilkan/meng-output-
kan suatu kata (word ) dengan probabilitas pada Tabel 8.3. Kita kembangkan
6
Kami berasumsi kamu sudah mempelajari automata sebelum membaca buku ini.
 8.4 Hidden Markov Model Tagger 103

Gambar 8.4. Weighted automaton [34]

P (the|ART ) 0.54 P (a|ART ) 0.360

P (f lies|N ) 0.025 P (a|N ) 0.001
P (f lies|V ) 0.076 P (f lower|N ) 0.063
P (like|V ) 0.1 P (f lower|V ) 0.05
P (like|P ) 0.068 P (birds|N ) 0.076
P (like|N ) 0.012
Tabel 8.3. Lexical emission probabilities [34]

lagi Gambar 8.4 dengan tambahan informasi lexical emission probabilities

menjadi Gambar 8.5. Automaton ini disebut hidden markov model (HMM).
Kata hidden berarti, untuk setiap kata pada sekuens, kita tidak mengetahui
kata tersebut dihasilkan oleh state mana secara model (baru diketahui saat
running). Misalkan, kata flies dapat dihasilkan oleh state N (noun) atau V
(verb) [34].
Diberikan kalimat “flies like a flower ”, untuk menghitung sekuens kelas
kata untuk kalimat tersebut, kita menyelusuri automaton Gambar 8.5. Hasil
penelusuran memberikan kita kombinasi sekuens yang mungkin seperti pada
Gambar 8.6. Pekerjaan
QT berikutnya adalah, dari seluruh kombinasi sekuens
yang mungkin ( i=1 P (wi |ci )P (ci |ci−1 )), bagaimana cara kita menentukan
sekuens terbaik (paling optimal), yaitu sekuens dengan probabilitas tertinggi
(diberikan pada subbab berikutnya).
Secara formal, hidden markov model tagger didefinisikan oleh beber-
apa komponen [12]:
1. Q = {q1 , q2 , . . . , qS } yaitu himpunan states; S menunjukkan banyaknya
states.
2. A = a0,0 , a1,1 , a2,2 , . . . , aS,S yaitu transition probability matrix dari
PS
suatu state i menuju state j; dimana j=0 ai,j = 1. Indeks 0 merepresen-
tasikan start state (null state). S melambangkan banyaknya states.
104 8 Hidden Markov Model

Gambar 8.5. Hidden Markov Model

Gambar 8.6. Sekuens yang mungkin (brute force)

3. o = o1 , o2 , . . . , oT yaitu sekuens observasi (kata/input); T adalah pan-

jang input.
4. b = bi (ow ) yaitu sekuens dari observation likelihood, atau disebut den-
gan emission probabilities, merepresentasikan sebuah observasi kata ow
dihasilkan oleh suatu state-i.
5. q0 , qF yaitu kumpulan state spesial yang terdiri dari start state dan final
state(s).

8.5 Algoritma Viterbi

Pada subbab sebelumnya, telah didefinisikan permasalahan POS tagging dan
Hidden Markov Model untuk menyelesaikan permasalahan tersebut. Pada bab
 8.5 Algoritma Viterbi 105

ini, kamu akan mempelajari cara mencari sekuens syntactical categories ter-
baik diberikan suatu observasi kalimat menggunakan algoritma Viterbi. Hal
ini disebut proses decoding pada HMM. Algoritma Viterbi adalah salah satu
algoritma dynamic programming yang prinsip kerjanya mirip dengan mini-
mum edit distance 7 . Ide utama algoritma Viterbi adalah mengingat sekuens
untuk setiap posisi tertentu (setiap iterasi, setiap panjang kalimat). Apabila
kita telah sampai pada kata terakhir, kita lakukan backtrace untuk mendap-
atkan sekuens terbaik.

function VITERBI(observations of len T , state-graphs of len S)

Initialization Step
create a path of probability matrix viterbi[S,T ]
for each state s from 1 to S do
viterbi[s,1] ← a0,s × bs (o1 )
backpointer[s,1] ← 0

Iteration Step
for each time step t from 2 to T do
for each state s from 1 to S do
viterbi[s,t] ← arg maxj=1,S viterbi[j, t − 1] × as,j × bs (ot )
backpointer[s,t] ← index of j that gave the max above

Sequence Identification Step

cT ← i that maximizes viterbi[i, T ]
for i = T − 1 to 1 do
ci ← backpointer[ci+1 ,i + 1]

Gambar 8.7. Algoritma Viterbi [12, 34]

Perhatikan Gambar 8.7 yang menunjukkan pseudo-code untuk algoritma

Viterbi. Variabel c berarti kelas kata, a adalah transition probability, dan b
adalah lexical-generation probability. Pertama-tama, algoritma tersebut mem-
buat suatu matriks berukuran SxT dengan S adalah banyaknya states (tidak
termasuk start state) dan T (time) adalah panjang sekuens. Pada setiap it-
erasi, kita pindah ke observasi kata lainnya. Gambar 8.8 adalah ilustrasi al-
goritma Viterbi untuk kalimat input (observed sequence) “flies like a flower ”
dengan lexical generation probability pada Tabel 8.3 dan transition probabil-
ities pada Tabel 8.2 (bigram) [34]. Panah berwarna merah melambangkan
backpointer yaitu state mana yang memberikan nilai tertinggi untuk ekspansi
ke state berikutnya. Setelah iteration step selesai, kita lakukan backtrace ter-
hadap state terakhir yang memiliki nilai probabilitas tertinggi dan mendapat
7
https://en.wikipedia.org/wiki/Edit_distance
106 8 Hidden Markov Model

hasil seperti pada Gambar 8.9. Dengan itu, kita mendapatkan sekuens “flies/N
like/V a/ART flower/N”.

Gambar 8.8. Ilustrasi algoritma Viterbi per iterasi

Gambar 8.9. Viterbi backtrace

Apabila kamu hanya ingin mengetahui HMM tanpa variabel yang perlu
dilatih/diestimasi, kamu dapat berhenti membaca sampai subbab ini. Apa-
bila kamu ingin mengetahui bagaimana HMM dapat mengestimasi parameter,
kamu dapat melanjutkan membaca subbab berikutnya8 .

8.6 Proses Training Hidden Markov Model

Hidden Markov Model (HMM) adalah salah satu varian supervised learning 9 ,
diberikan sekuens input dan output yang bersesuaian sebagai training data.
Pada kasus POS tagging, yaitu input-nya adalah sekuens kata dan output-nya
8
Walau kami mengakui penjelasannya kurang baik. Mohon maaf tetapi kami sudah
berusaha.
9
Walaupun ia termasuk generative model., tetapi komponen utama yang dimod-
elkan adalah p(y | x)
 8.6 Proses Training Hidden Markov Model 107

adalah sekuens kelas kata (masing-masing kata/token berkorespondensi den-

gan kelas kata). Saat melatih HMM, kita ingin mengestimasi parameter A dan
b yaitu transition probabilities dan emission probabilities/lexical-generation
probabilities (ingat kembali definisi HMM secara formal pada subbab 8.4).
Kita melatih HMM dengan menggunakan Algoritma Forward-Backward
(Baum-Welch Algorithm).
Cara paling sederhana untuk menghitung emission probabilities atau tran-
sition probabilities adalah dengan menghitung kemunculan. Sebagai contoh,
emission probability suatu kata untuk setiap kelas kata diberikan pada per-
samaan 8.14 (bentuk softmax function), dimana N melambangkan banyaknya
data (banyaknya pasangan sekuens input-output)

count(wi , ci )
P (wi |ci ) = PN (8.14)
j=1 count(wi , cj )

Akan tetapi, perhitungan tersebut mengasumsikan context-independent, artinya

tidak mempedulikan keseluruhan sekuens. Estimasi lebih baik adalah dengan
menghitung seberapa mungkin suatu kategori ci pada posisi tertentu (indeks
kata/token pada kalimat) pada semua kemungkinan sekuens, diberikan in-
put w1 , w2 , . . . , wT . Kami ambil contoh, kata flies sebagai noun pada kalimat
“The flies like flowers”, dihitung sebagai penjumlahan seluruh sekuens yang
berakhir dengan flies sebagai noun. Probabilitas P (f lies/N | T he f lies) =
P (f lies/N & T he f lies)
P (T he f lies) .
Agar lebih precise, secara formal, kita definisikan terlebih dahulu forward
probability sebagai 8.15.

αi (t) = P (wt /ci | w1 , w2 , . . . , wt ) (8.15)

dimana αi (t) adalah probabilitas untuk menghasilkan kata w1 , w2 , . . . , wt den-

gan wt dihasilkan (emitted ) oleh ci .
Pseudo-code perhitungan kemunculan kelas ci sebagai kategori pada posisi
tertentu diberikan oleh Gambar 8.10, dengan ci adalah kelas kata ke-i dan wi
adalah kata ke-i, a adalah transition probability, b adalah emission probability,
dan S melambangkan banyaknya states.
Sekarang, kita definisikan juga backward probability βi (t), yaitu prob-
abilitas untuk menghasilkan sekuens wt , . . . , wT dimulai dari state wt /ci (ci
menghasilkan wt ). Hal ini serupa dengan forward probability, tetapi backward
probability dihitung dari (t ke T ), dari posisi ke-t sampai ujung akhir. Anda
dapat melihat pseudo-code pada Gambar 8.11, dengan a adalah transition
probability dan b adalah emission probability.
Gabungan forward dan backward probability dapat digunakan untuk menges-
timasi γj (t) yaitu probabilitas berada pada state cj pada waktu ke-t dengan
persamaan 8.16.
αi (t) × βi (t)
γj (t) = PS (8.16)
j=1 αj (t) × βj (t)
108 8 Hidden Markov Model

Initialization Step
for i = 1 to S do
αi (t) ← bi (o1 ) × a0,i

Comparing the Forward Probabilities

for t = 2 to T do
for i = 1 to S do
αi (t) ← S
P
j=1 (aji × αj (t − 1)) × bi (ot )

Gambar 8.10. Algoritma forward [34]

Initialization Step
for i = 1 to S do
βi (T ) ← P (ci ) # assigned using a particular class ci

Comparing the Backward Probabilities

for t = T − 1 to t do
for i = 1 to S do
βi (t) ← S
P
j=1 (aji × βi (t + 1)) × bj (oj+1 )

Gambar 8.11. Algoritma backward [34]

Kita mengestimasi probabilitas keberadaan pada state tertentu, berdasarkan

pengaruh probabilitas keseluruhan sekuens.
Dengan menggunakan forward probability dan backward probability sekali-
gus, kita definisikan ξt (i, j) yaitu probabilitas berada di state-i pada waktu
ke t dan state-j pada waktu ke-(t + 1) dengan persamaan 8.17.

αi (t) × aij × bj (ot+1 ) × βj (t + 1))

ξt (i, j) = (8.17)
αS (T )
Dengan aij adalah transition probability dan bj (ot+1 ) adalah emission proba-
bility (ingat kembali definisi formal HMM pada subbab 8.4). Pada setiap it-
erasi, kita ingin memperbaharui kembali parameter HMM yaitu A dan b. Kita
hitung kembali transition probability (nilai yang lama di-update), diberikan
oleh persamaan 8.18.
PT −1
ξt (i, j)
aij 0 = PT −1t=1
PS (8.18)
t=1 j=1 ξt (i, j)

Kita juga menghitung kembali emission probability (nilai yang lama di-
update), diberikan oleh persamaan 8.19.
 8.6 Proses Training Hidden Markov Model 109
PT
0 t=1,ok =wk γj (t)
bj (ok ) = PT (8.19)
t=1 γj (t)
PT
berarti jumlah observasi wk pada waktu t.
t=1,ok =wk
Keseluruhan proses ini adalah cara melatih HMM dengan menggunakan
kerangka berpikir Expectation Maximization: terdiri dari E-step dan M-
step [12]. Pada E-step, kita mengestimasi probabilitas berada di suatu state cj
menggunakan γj (t) dan mengestimasi transisi ξt (i, j) berdasarkan parameter
A dan b yang sudah diberikan pada tahap iterasi training (epoch) sebelumnya.
Pada M-step, kita menggunakan γ dan ξ untuk mengestimasi kembali param-
eter A dan b. Hal ini dijelaskan secara formal pada Gambar 8.12. Walaupun
HMM menggunakan independence assumption, tetapi kita dapat mengikutser-
takan pengaruh probabilitas keseluruhan sekuens untuk perhitungan proba-
bilitas keberadaan kita pada suatu state pada saat tertentu. Metode ini dapat
dianggap sebagai suatu cara optimalisasi menggunakan smoothing 10 terhadap
nilai parameter (A dan b). Kita mencapai titik local optimal apabila tidak
ada perubahan parameter.

Initialize A and b
Iterate until convergence
E-step
γj (t) = PSαi (t)×β i (t)
α (t)×β (t)
j=1 j j

αi (t)×aij ×bj (ot+1 )×βj (t+1))

ξt (i, j) = αS (T )

M-step
PT −1
ξt (i,j)
update aij 0 = PT −1t=1
PS
t=1 j=1 ξt (i,j)

PT
0 t=1,ok =wk γj (t)
update bj (ok ) = PT
t=1 γj (t)

Gambar 8.12. Algoritma forward -backward (EM) [12]

Kami ingin mengakui bahwa penjelasan pada subbab 8.6 mungkin kurang
baik (kurang memuaskan). Kami harap kamu mencari referensi lain yang lebih
baik untuk subbab ini.

10
https://en.wikipedia.org/wiki/Smoothing
110 8 Hidden Markov Model

Soal Latihan
8.1. Data Numerik
Pada bab ini, diberikan contoh aplikasi Hidden Markov Model (HMM) untuk
POS tagging, dimana data kata adalah data nominal. Berikan strategi peng-
gunaan HMM untuk data numerik! Misal, pada automatic speech recognizer.

8.2. Ekstensi Algoritma Viterbi

Buatlah ekstensi algoritma Viterbi untuk asumsi trigram!

8.3. Maximum Entropy Markov Model

(a) Jelaskan konsep maximum entropy!
(b) Jelaskan maximum entropy markov model !

8.4. Gibbs Sampling

(a) Jelaskan bagaimana Gibbs sampling digunakan pada HMM!
(b) Jelaskan penggunaan variasi/ekstensi Gibbs sampling pada HMM!

8.5. Latent Dirichlet Allocation

Salah satu materi yang berkaitan erat dengan HMM adalah Latent Dirichlet
Allocation (LDA) yang merupakan anggota keluarga graphical model. Jelaskan
apa itu LDA serta bagaimana cara kerja LDA!
9
Seleksi Fitur dan Metode Evaluasi

“The key to artificial intelligence

has always been the
representation.”

Jeff Hawkins

Bab ini membahas beberapa tips dan trik yang sebenarnya sudah dis-
inggung pada bab 5. Hanya saja, beberapa hal lebih baik dijelaskan secara
lebih mendalam ketika sudah mempelajari beberapa algoritma pembelajaran
mesin, yaitu feature engineering, feature selection dan penjelasan lebih lanjut
cross validation. Kamu dapat menganggap bab ini sebagai kelanjutan tips dan
trik pembelajaran mesin lanjutan bab 5.

9.1 Feature Engineering

Record (data) pada pembelajaran mesin pada umumnya dikonversi men-
jadi suatu vektor (feature vector ) yang merepresentasikannya dalam ben-
tuk matematis. Fitur-fitur biasanya tersusun atas variabel-variabel yang kita
anggap memiliki pengaruh terhadap output. Sebagai contoh, tekanan darah
diprediksi berdasarkan usia, jenis kelamin dan BMI. Seringkali, seseorang
membutuhkan keahlian suatu bidang agar dapat memilih fitur yang tepat.
Proses untuk mencari (atau me-list) kandidat fitur, disebut sebagai aktivitas
feature engineering .
Seperti kata mutiara yang kami berikan pada awal bab ini, kunci pem-
belajaran mesin adalah representasi permasalahan. Fitur yang dipilih un-
tuk merepresentasikan data adalah bagaimana cara kamu merepresentasikan
masalah juga. Karena membutuhkan tingkat keahlian tertentu, proses memilih
fitur tidaklah mudah. Bisa jadi (sering), orang memilih fitur yang tidak rep-
resentatif! Dengan demikian, tidak heran apabila seseorang mempublikasikan
makalah ilmiah atas kontribusinya menentukan fitur baru pada domain ter-
tentu.
112 9 Seleksi Fitur dan Metode Evaluasi

Konon tetapi, proses pemilihan fitur yang bersifat manual ini cukup ba-
haya karena rentan dengan bias, yaitu kemampuan seseorang pada domain
tertentu. Alangkah baiknya, apabila kita dapat memilih fitur yang memang
benar-benar diperlukan (murni) secara otomatis. Hal tersebut akan dibahas
lebih lanjut pada materi artificial neural network. Hal ini salah satu alasan
yang membuatnya populer.

9.2 High Dimensional Data

Pada kenyataan, fitur yang kita gunakan untuk membangun model pembe-
lajaran mesin tidaklah sesederhana yang dicontohkan pada subbab sebelum-
nya. Seringkali, kita berhadapan dengan data yang memiliki sangat banyak
fitur (high dimensional data). Sebagai contoh, seorang marketing analyst
mungkin saja ingin mengerti pola seseorang berbelanja pada online shop.
Untuk mengerti pola tersebut, ia menganalisis seluruh kata kunci pencar-
ian (search term) item. Misalnya, seseorang yang ingin membeli meja makan
juga mungkin akan membeli kursi (sebagai satu paket). Data pada analisis
semacam ini berdimensi besar. Seberapa besar dimensi yang dapat disebut
high dimension adalah hal yang relatif.
Sayangnya, data dengan dimensi yang sangat besar membawa beberapa
masalah pada pembelajaran mesin. Pertama, model pembelajaran susah un-
tuk memiliki kinerja yang optimal pada data berdimensi tinggi. Semakin
banyak fitur yang dipakai, semakin kompleks suatu model pembelajaran mesin
harus memodelkan permasalahan. Berhubung kita memiliki banyak fitur,
search space untuk mencari konfigurasi parameter optimal sangatlah luas.
Hal ini dapat dianalogikan seperti mencari seseorang pada gedung berlantai
satu vs. gedung berlantai 20. Kedua, hal ini menyebabkan mudah terjadi over-
fitting karena ada sangat banyak konfigurasi fitur walaupun kita hanya memi-
liki data yang terbatas1 . Ketiga, data dengan dimensi yang besar susah untuk
diproses secara komputasi (computationally expensive), baik dari segi memori
dan waktu. Karenanya hal ini, kita ingin agar fitur-fitur yang kita gunakan
sesedikit mungkin. Dengan kata lain, kita ingin representasi permasalahan
sesederhana mungkin dari sesi memori dan computational processing.

9.3 Feature Selection

Pada pembelajaran mesin, pada umumnya kita menggunakan banyak (lebih

dari satu) fitur. Artinya kita merepresentasikan setiap record (instans) atau
input sebagai suatu vektor x ∈ R1×F ; dimana F melambangkan dimensi vek-
tor atau banyaknya fitur. Seringkali, F bernilai besar sehingga model yang
kita miliki kompleks. Kita tentunya ingin mengurangi kompleksitas dengan
1
Curse of Dimensionality
 9.3 Feature Selection 113

alasan-alasan yang sudah disebutkan pada subbab 9.2. Alasan lainnya karena
belum tentu semua fitur berguna. Cara termudah adalah dengan menghapus
fitur yang memiliki nilai varians = 0. Sayang sekali, hal ini tidak selalu terjadi.
Subbab ini membahas teknik-teknik yang dapat digunakan untuk menyeder-
hanakan fitur (mengurangi dimensi input).

9.3.1 Subset Selection (Feature Ablation)

Cara paling intuitif untuk mencari tahu kombinasi fitur terbaik adalah dengan
mencoba seluruh kombinasi fitur. Misal kita mempunyai fitur sebanyak F , kita
bisa pilih untuk menggunakan atau tidak menggunakan masing-masing fitur,
menghasilkan kombinasi sebanyak 2F . Dari keseluruhan kombinasi tersebut,
kita pilih suatu kombinasi fitur yang memerikan kinerja terbaik. Akan tetapi,
metode brute force ini terlalu memakan waktu. Kita dapat juga menggunakan
teknik greedy yaitu forward selection dan backward selection. Forward dan
backward selection sering juga disebut sebagai feature ablation.
Pada forward selection, kita mulai dengan suatu model yang tidak meng-
gunakan fitur apapun sama sekali, yaitu meng-assign kelas yang paling sering
muncul di dataset, pada input. Setelah itu, kita tambahkan satu per satu fitur
pada setiap langkah. Langkah berikutnya, kita gunakan satu fitur. Diantara F
pilihan fitur, kita cari fitur yang memberi nilai terbaik. Kemudian, pada tahap
berikutnya, kita kombinasikan fitur yang kita pilih pada langkah sebelumnya
dengan fitur yang tersisa. Hal ini terus diulang sampai kita sudah menggu-
nakan seluruh fitur pada model kita. Untuk mencari model terbaik, kita hanya
perlu mencari kombinasi fitur yang memberikan nilai kinerja terbaik. Forward
selection diilustrasikan pada Gambar 9.1. Dibanding brute force yang bersifat
eksponensial, forward selection membentuk suatu deret aritmatika kombinasi
fitur yang dicoba, yaitu 1+F +(F −1)+· · ·+1 = 1+F (F +1)/2. Apabila kita
memiliki fitur sebanyak F = 10, kombinasi brute force menghasilkan 1, 024
kombinasi, sementara forward selection hanya sebanyak 56!

Gambar 9.1. Ilustrasi forward selection untuk tiga fitur

Backward selection adalah kebalikan dari forward selection. Apabila pada

forward selection, kita menambahkan satu fitur tiap langkah, backward selec-
tion mengurangi satu fitur pada tiap langkah. Ilustrasi diberikan pada Gam-
114 9 Seleksi Fitur dan Metode Evaluasi

bar 9.2. Seperti forward selection, backward selection juga hanya mencoba
sebanyak 1 + F (F + 1)/2 kombinasi. Kita juga dapat menggabungkan for-
ward dan backward selection menjadi metode hybrid, yaitu menambah satu
fitur pada tiap langkah, serta memperbolehkan untuk menghilangkan fitur
juga [17].

Gambar 9.2. Ilustrasi backward selection untuk tiga fitur

9.3.2 Shrinkage

Ingat kembali materi bab 5 tentang regularization. Seperti yang sudah dije-
laskan, kita ingin agar model kita sesederhana mungkin. Mengurangi dimensi
fitur adalah cara mengurangi kompleksitas. Ingat kembali, dengan menggu-
nakan suatu fungsi regularisasi, objektif pembelajaran adalah meminimalkan
loss dan kompleksitas, seperti pada persamaan 9.1. Kompleksitas model da-
pat dihitung menggunakan L2 (Ridge, persamaan 9.2) atau L1 (Lasso, per-
samaan 9.3) norm. Karena kita ingin meminimalkan norm, artinya kita juga
membuat parameter model pembelajaran mesin bernilai dekat dengan nol.
Pada metode Ridge, kita ingin meminimalkan fungsi eksponensial, sementara
fungsi skalar pada Lasso. Artinya, Lasso lebih cenderung untuk menghasilkan
suatu model yang bersifat sparse. Dengan kata lain, Lasso melakukan sub-
set feature selection seperti yang sudah dijelaskan pada subbab sebelumnya.
Sementara itu, Ridge cenderung tidak meng-nol-kan parameter, melainkan
hanya dekat dengan nol [17]. Kamu mungkin berpikir, kenapa kita tidak
menggunakan Lasso saja, berhubung ia mengeleminasi fitur. Pada metode
Ridge, semua fitur tetap digunakan walaupun nilainya diturunkan (shrink )
agar dekat dengan nol. Hal ini, walaupun tidak mengeleminasi fitur, dapat
mengurangi variasi kinerja model2 (dijelaskan pada subbab 9.4).

ŵ = arg min L(w) + λR(w) (9.1)

w

2
X
R(w) = kwk2 = (wi )2 (9.2)
i
2
baca buku [17] untuk pembuktiannya
 9.3 Feature Selection 115

X
R(w) = kwk = |wi | (9.3)
i

Secara singkat, Ridge digunakan untuk menghasilkan model yang varian

kinerjanya kecil. Sementara itu, Lasso digunakan untuk menghasilkan model
yang mudah dimengerti (interpretability) dengan mengeliminasi fitur.

9.3.3 Principal Components Analysis (Dimension Reduction)

Teknik-teknik sebelumnya berfokus pada cara mengeleminasi fitur. Akan

tetapi, penghapusan suatu fitur berpotensi pada model yang tidak mampu
mengerti kompleksitas permasalahan. Dengan kata lain, oversimplification.
Dibanding menghapus fitur, cara lain untuk mengurangi kompleksitas kom-
putasi adalah mentransformasi data ke dalam dimensi lebih kecil. Untuk input
yang memiliki F fitur, kita kurangi dimensi input menjadi M < F (dimension
reduction). Apabila kita mampu mengurangi dimensi input, maka kita juga
dapat mengurangi jumlah parameter pada model pembelajaran mesin, yang
artinya mengurangi kompleksitas komputasi dan meningkatkan interpretabil-
ity.
Ide utama dimension reduction adalah mentransformasi data dari suatu
space ke space lainnya, dimana data direpresentasikan dengan dimensi lebih
kecil. Dengan catatan, data dengan dimensi lebih kecil harus mampu merep-
resentasikan karakteristik data pada dimensi aslinya! Dengan demikian, satu
fitur pada dimensi yang baru mungkin memuat informasi beberapa fitur pada
dimensi aslinya. Walaupun model yang kita hasilkan lebih interpretable secara
jumlah parameter, tetapi kita membutuhkan usaha ekstra untuk mengerti rep-
resentasi fitur-fitur pada dimensi yang baru.
Teknik yang digunakan untuk mengurangi dimensi adalah principal com-
ponent analysis. Ide dasarnya adalah mencari bentuk data (pada dimensi lebih
kecil) yang memiliki nilai varians tinggi untuk tiap fiturnya, karena varians
yang tinggi berarti kemampuan fitur yang tinggi dalam melakukan diskrim-
inasi (klasifikasi). Kita ingin mencari suatu arah (vektor, matriks, tensor)
dimana data kita memiliki varians tertinggi. Pada dimensi yang baru, kita
berharap data kita tersebar menjadi beberapa grup yang mudah dibedakan
(easily separable). Arah ini dikenal sebagai eigenvector, dan nilai varians
pada arah tersebut dikenal sebagai eigenvalue. Kami harap kamu ingat ma-
teri kuliah aljabar linear. Eigenvector yang memiliki nilai eigenvalue tertinggi
disebut sebagai principal components, yaitu semacam bentuk data yang
ringkas. Selain mengurangi dimensi, teknik ini juga mengurangi (atau meni-
adakan) interaksi antar-fitur. Dengan demikian, kita dapat menggunakan ad-
ditive assumption saat melakukan pembelajaran (ingat kembali materi bab 5).
Saat melakukan analisis ini, kita membuat suatu asumsi bahwa sejum-
lah principal components cukup untuk merepresentasikan variasi yang ada
pada data, serta hubungan data asli dengan respons [17]. Dengan kata lain,
116 9 Seleksi Fitur dan Metode Evaluasi

kita mengasumsikan arah (eigenvector) ketika data memiliki varians tert-

inggi, adalah arah yang berasosiasi dengan output. Singular Value Decomposi-
tion adalah salah satu teknik untuk melakukan principal component analysis.
Hal tersebut akan dibahas pada bab 12. Buku ini juga akan memberi con-
toh konkret dimensionality reduction dengan artificial neural network pada
bab 12.

9.4 Cross Validation

Ingat kembali materi bab-bab sebelumnya bahwa pada umumnya kita mem-
bagi dataset menjadi tiga grup: training, validation/development dan test-
ing. Melatih dan mengukur kinerja model menggunakan training data adalah
hal yang tidak bijaksana karena kita tidak dapat mengetahui kemampuan
generalisasi model. Kita melatih model pembelajaran mesin menggunakan
training data yang dievaluasi kinerjanya (saat traning) menggunakan vali-
dation data. Setelah itu, kita uji model kembali menggunakan testing data.
Pada umumnya, ketiga grup tersebut memiliki data dengan karakteristik yang
sama. Artinya, dataset disampel dari distribusi yang sama. Misal pada train-
ing data, ada pembagian 30:30:40 untuk data kelas pertama, kedua dan ketiga.
Distribusi persebaran tersebut juga harus sama pada validation dan testing
data. Walaupun tidak boleh ada data yang sama (overlap) pada ketiga grup
tersebut, memiliki validation dan testing data yang dibedakan adalah hal yang
cukup bijaksana.
Pada dunia nyata, kita belum tentu memiliki ketiga grup tersebut. Penye-
babnya ada banyak, misal dataset yang kecil (hanya memiliki sedikit records)
atau pengadaan testing data mahal. Apabila kita tidak memiliki testing data,
validation data dapat menjadi pengganti (proxy). Tetapi ada masalah apa-
bila kita hanya menguji model pada satu set validation data, yaitu bias 3 .
Validation data yang tetap menyebabkan kita tidak mengetahui variasi kin-
erja model [17]. Sebisanya, kita ingin mengetes kinerja model pada beberapa
dataset, kemudian mengevaluasi bagaimana variasi kinerja model. Kegiatan
semacam ini membuat kita mengetahui apakah suatu model cukup stabil4 dan
fleksibel. Stabil berarti kinerja model tidak begitu berubah, diberikan input
yang sedikit berubah (ilustrasi diberikan pada Gambar 9.3). Fleksibel berarti
model yang mampu menangkap karakteristik data dengan baik. Misal kita
menggunakan model linear dengan persamaan polinomial orde-1, orde-2 dan
orde-3. Saat kita menaikkan orde persamaan sampai dengan orde-3, kinerja
model terus meningkat pada validation data, walaupun kurang lebih sama
pada training data. Lalu, kita mencoba menggunakan persamaan polinomial
orde-4, dan kinerja model menurun pada validation data. Artinya, persamaan
polinomial orde-3 adalah yang paling optimal untuk memodelkan permasala-
han yang kita miliki. Apabila kita tidak memiliki validation data, kita tidak
3
statistical bias
4
https://en.wikipedia.org/wiki/Stability_(learning_theory)
 9.4 Cross Validation 117

Gambar 9.3. Model yang stabil (a) memberikan decision boundary yang serupa
walaupun input sedikit diubah-ubah (variasi kinerja yang kecil, untuk set input
yang berbeda). Model yang kurang stabil (b) memberikan decision boundary yang
berbeda untuk input yang sedikit diubah-ubah (variasi kinerja yang besar, untuk
set input yang berbeda)

akan mengetahui hal ini. Stabil berkaitan dengan nilai varians, sedangkan
fleksibel berkaitan dengan perubahan terhadap ukuran kinerja. Fleksibilitas
dapat dianalisis dengan mem-plot grafik kinerja model pada training data dan
validation/testing data untuk mengetahui underfitting dan overfitting seperti
yang telah dijelaskan pada bab 5.

Gambar 9.4. Ilustrasi 5-fold -cross-validation. Kotak berwarna merah melam-

bangkan subset yang dipilih sebagai validation data

Kita dapat menganalisis stabilitas dengan menggunakan teknik cross

validation seperti yang sudah dijelaskan pada bab 3. Intinya adalah, kita
118 9 Seleksi Fitur dan Metode Evaluasi

membagi-bagi dataset yang kita miliki menjadi K bagian. Kita latih model
menggunakan K − 1 bagian, kemudian menguji model dengan menggunakan
satu bagian lainnya sebagai validation data yang mengaproksimasi kinerja
pada testing data (Ilustrasi pada Gambar 9.4). Hal ini disebut sebagai K-fold -
cross-validation. Untuk K = N yaitu jumlah data, kita sebut teknik terse-
but sebagai leave-one-out-cross-validation. Perlu diperhatikan, distribusi
tiap-tiap subset data haruslah sama (stratified sampling). Dengan teknik cross
validation, kita memiliki sejumlah K model pembelajaran mesin dan K buah
nilai kinerja. Kita dapat mengukur stabilitas model dengan menghitung vari-
ans kinerja dari K model. Nilai rata-rata kinerja yang diberikan adalah sebuah
estimasi terhadap kinerja model pada testing data (yang sesungguhnya tidak
ada), diberikan pada persamaan 9.4. Kita ingin model yang stabil, karena nilai
varians yang kecil berarti eksperimen dapat diulangi, dan kita mendapatkan
kinerja yang sama saat eksperimen diulang. Varians yang terlalu besar dapat
berarti kita mendapatkan suatu nilai kinerja secara random chance (untung-
untungan belaka).
K
1 X
CV(K) = KinerjaModeli (9.4)
K i=1

9.5 Replicability, Overclaiming dan Domain Dependence

Pada dunia pembelajaran mesin, replicability adalah hal yang sangat penting.
Artinya, eksperimen yang kamu lakukan dapat diulangi kembali oleh orang
lain, serta mendapat kinerja yang kurang lebih sama. Untuk ini, biasanya
dataset dipublikasi pada domain publik agar dapat digunakan oleh banyak
orang, atau mempublikasi kode program. Selain replicability, kamu juga harus
memperhatikan overclaiming. Banyak orang yang menggunakan toy dataset
(berukuran sangat kecil) yang tidak merepresentasikan permasalahan aslinya.
Akan tetapi, mereka mengklaim bahwa model mereka memiliki generalisasi
yang baik. Kamu harus menginterpretasikan kinerja model secara bijaksana.
Kinerja yang baik pada toy dataset belum tentu berarti kinerja yang baik
pada dunia nyata. Sebagai contoh, artikel yang dibahas pada post 5 ini adalah
contoh overclaiming.
Perlu kamu perhatikan juga, mendapatkan kinerja yang bagus pada suatu
dataset belum tentu berarti model yang sama dapat mencapai kinerja yang
baik pada dataset lainnya. Misalnya, model yang dilatih untuk mengklasi-
fikasikan kategori berita belum tentu dapat mengklasifikasikan laporan medis.
Hal ini banyak terjadi pada supervised learning [35].

5
Pranala Post Yoav Goldberg
 9.5 Replicability, Overclaiming dan Domain Dependence 119

Soal Latihan
9.1. Seleksi Fitur
Jelaskanlah algoritma seleksi fitur selain yang sudah dijelaskan pada bab ini!
(Saran: baca survey paper )

9.2. AIC dan BIC

Jelaskan Akaike Information Criterion (AIC) dan Bayesian Information Cri-
terion (BIC)!

9.3. Bootstrapping
Jelaskan apa itu teknik bootstrapping (evaluasi model)! Bagaimana perbe-
daanya bootstrapping dan cross validation?

9.4. Varians
Jelaskan mengapa fitur yang baik memiliki varians yang tinggi, sementara
kinerja model yang baik memiliki varians yang rendah!
10
Clustering

“Most of us cluster somewhere in

the middle of most statistical
distributions. But there are lots
of bell curves, and pretty much
everyone is on a tail of at least
one of them. We may collect
strange memorabillia or read
esoteric books, hold unsual
religious beliefs or wear
odd-sized shoes, suffer rare
diseases or enjoy obscure
moveis.”

Virginia Postrel

Pada bab 4, kamu sudah mempelajari salah satu teknik clustering yang
cukup umum yaitu K-means. Bab ini akan mengupas clustering secara lebih
dalam. Kami sarankan kamu untuk membaca paper [36], walaupun relatif
lama, tetapi paper tersebut memberikan penjelasan yang mudah dimengerti
tentang clustering. Selain itu, kamu juga dapat membaca paper oleh Saad et
al. [37].
Clustering adalah pengelompokkan data dengan sifat yang mirip. Data
untuk clustering tidak memiliki label (kelas). Secara umum, algoritma cluster-
ing dapat dikategorikan menjadi dua macam berdasarkan hasil yang dinginkan
[38]: (1) partitional, yaitu menentukan partisi sejumlah K dan (2) hierarchi-
cal, yaitu mengelompokan data berdasarkan struktur taksonomi. Contoh al-
goritma partitional adalah K-means pada subbab 10.1, sementara contoh
algoritma hierarchical adalah agglomerative clustering pada subbab 10.2.
122 10 Clustering

10.1 K-means, Pemilihan Centroid, Kemiripan Data

Algoritma K-means mengelompokkan data menjadi sejumlah K kelompok
sesuai yang kita definisikan. Algoritma ini disebut juga sebagai flat clustering,
artinya kelompok satu memiliki kedudukan sejajar dengan kelompok lainnya.
Kita tinjau kembali tahapan-tahapan algoritma K-means sebagai berikut:
1. Tentukan sejumlah K kelompok yang kita inginkan.
2. Inisiasi centroid untuk setiap kelompok. Centroid ibarat seperti “ketua
kelompok”, yang merepresentasikan kelompok.
3. Hitung kedekatan suatu data terhadap centroid, kemudian masukkan data
tersebut ke kelompok yang centroid-nya memiliki sifat terdekat dengan
dirinya.
4. Pilih kembali centroid untuk masing-masing kelompok, yaitu dari anggota
kelompok tersebut.
5. Ulangi langkah-langkah sebelumnya sampai tidak ada perubahan anggota
untuk semua kelompok.
Perhatikan, ada dua hal penting pada algoritma K-means yaitu: (1)
memilih centroid dan (2) Perhitungan kemiripan data. Pada bab 4, dijelaskan
salah satu metode pemilihan centroid paling sederhana yaitu secara acak.
Pada kenyataannya, inisiasi centroid untuk setiap kelompok/cluster dapat di-
lakukan secara acak; tetapi pada tahap berikutnya, secara umum centroid
dipilih menggunakan nilai rata-rata/mean. Dengan demikian, centroid bisa
saja merupakan suatu vektor yang tidak ada entry-nya di dataset.
Diberikan sekumpulan data D = {d1 , d2 , · · · , dN }; maka centroid c untuk
cluster itu dihitung dengan persamaan 10.1,
N F
1 XX
c= di[e] (10.1)
N i=1 e=1

yaitu nilai rata-rata setiap elemen feature vector untuk seluruh anggota cluster
tersebut, dimana N adalah banyaknya anggota cluster, F adalah dimensi
vektor, di adalah anggota ke-i dalam representasi feature vector dan di[e]
melambangkan elemen ke-e pada vektor di . Dengan ini, centroid secara umum
bisa jadi tidak merupakan elemen anggota cluster (centroid bukan sebuah
instans data).
Pada bab 4 dijelaskan salah satu metode perhitungan kemiripan data
sederhana yaitu dengan menghitung banyaknya nilai atribut yang sama di-
antara dua feature vector. Selain metode tersebut, terdapat banyak perhitun-
gan kemiripan data lainnya tergantung pada tipe, contohnya:
1. Numerik. Euclidean Distance, Manhattan Distance, Cosine Distance,
dsb.
2. Boolean. Jaccard Dissimilarity, Rogers Tanimoto Dissimilarity, dsb.
3. String. Levenshtein Distance, Hamming Distance, dsb.
 10.2 Hierarchical Clustering 123

Perhitungan yang paling populer digunakan adalah cosine similarity 1 (ke-

betulan pada kebanyakan kasus kita bekerja dengan data numerik), didefin-
isikan pada persamaan 10.2, yaitu dot product antara dua vektor dibagi den-
gan perkalian norm kedua vektor.
di · dj
cosSim(di , dj ) = (10.2)
kdi k kdj k
Clusters yang terbentuk, nantinya dapat digunakan sebagai pengelompokkan
untuk label klasifikasi. Seumpama cluster1 dapat dianggap sebagai data untuk
kelas ke-1, dst.

10.2 Hierarchical Clustering

Hierarchical clustering adalah teknik untuk membentuk pembagian bersarang
(nested partition). Berbeda dengan K-means yang hasil clustering-nya berben-
tuk flat atau rata, hierarchical clustering memiliki satu cluster paling atas
yang mencakup konsep seluruh cluster dibawahnya. Ada dua cara untuk mem-
bentuk hierarchical clustering [36]:
1. Agglomerative. Dimulai dari beberapa flat clusters; pada setiap langkah
iterasi, kita menggabungkan dua clusters termirip. Artinya, kita harus
mendefinisikan arti “kedekatan” dua clusters.

2. Divisive. Dimulai dari satu cluster (seluruh data), kemudian kita memecah
belah cluster. Artinya, kita harus mendefinisikan cluster mana yang harus
dipecah dan bagaimana cara memecahnya.
Sebagai contoh, algoritma hierarchical clustering menghasilkan struktur
hirarkis seperti pada gambar 10.1 yang disebut dendogram. Dendogram
melambangkan taksonomi, sebagai contoh taksonomi dokumen berita sport,
dipecah menjadi baseball dan soccer.
Sejauh ini, teknik agglomerative clustering lebih populer, karena pen-
dekatan ini bersifat bottom-up. Secara umum, pendekatan bottom-up memang
relatif lebih populer dibanding pendekatan top-down. Langkah-langkah ag-
glomerative clustering sebagai berikut:
1. Sediakan sejumlah K clusters. Kamu dapat menganggap satu instans data
sebagai suatu cluster.
2. Gabung dua clusters paling mirip.
3. Ulangi langkah ke-2 sampai hanya satu cluster tersisa.
Perhatikan! untuk menggabungkan dua clusters termirip, kita membu-
tuhkan definisi “mirip”. Definisi tersebut dikuantifikasi dengan formula matem-
atis (seperti definisi kemiripan data pada subbab 10.1). Perhitungan kemiri-
pan clusters dapat dihitung dengan tiga metode [38] (untuk data numerik):
1
https://en.wikipedia.org/wiki/Cosine_similarity
124 10 Clustering

Gambar 10.1. Ilustrasi hierarchical clustering

1. Single Link . Nilai kemiripan dua clusters U dan V dihitung berdasarkan

nilai kemiripan maksimum diantara anggota kedua clusters tersebut2 .

Simsingle−link (U, V) = max cosSim(ui , vj ) (10.3)

ui ∈U,vj ∈V

2. Complete Link . Nilai kemiripan dua clusters dihitung berdasarkan nilai

kemiripan minimum diantara anggota kedua clusters tersebut.

Simcomplete−link (U, V) = min cosSim(ui , vj ) (10.4)

ui ∈U,vj ∈V

3. UPGMA (Average Link ). Nilai kemiripan dua clusters dihitung berdasarkan

nilai kemiripan rata-rata diantara anggota kedua clusters tersebut.

1 X cU cV
SimU P GM A (U, V) = cosSim(ui , vj ) = (10.5)
|U | |V | |U | |V |
ui ∈U,vj ∈V

dimana |U | adalah banyaknya data pada cluster U dan cU adalah centroid

untuk cluster U.

10.3 Evaluasi

Diberikan sekumpulan data D = {d1 , d2 , · · · , dN } untuk suatu cluster. Saat

tidak tersedianya informasi label/kelas untuk setiap data, kualitas hasil clus-
tering dapat dihitung dengan tiga kriteria yaitu:
2
Cluster dapat dianggap sebagai matriks karena merupakan kumpulan feature vec-
tor.
 10.3 Evaluasi 125

1. Intra-cluster similarity , yaitu menghitung rata-rata kedekatan antara

suatu anggota dan anggota cluster lainnya.
1 X
I= 2 cosSim(di , dj ) (10.6)
N
di dj ,i6=j

Perhitungan kedekatan antar tiap pasang anggota cluster sama halnya

dengan menghitung norm dari centroid cluster tersebut, ketika centroid
dihitung menggunakan mean (buktikan!).
1 X 2
I= 2 cosSim(di , dj ) = kck (10.7)
N
di dj ,i6=j

Perhitungan ini dapat dinormalisasi sesuai dengan banyaknya anggota

cluster
2
kck
I0 = (10.8)
N
Semakin tinggi kemiripan anggota pada suatu cluster, semakin baik kual-
itas cluster tersebut.

2. Inter-cluster similarity , yaitu menghitung bagaimana perbedaan an-

tara suatu cluster dan cluster lainnya. Hal tersebut dihitung dengan co-
sine similarity antara centroid suatu cluster dan centroid dari seluruh
data [37].
K
X ck cD
E= Nk (10.9)
kck k
k=1

dimana ck adalah centroid cluster ke-k, cD adalah centroid (mean) dari

seluruh data, Nk adalah banyaknya anggota cluster ke-k, dan K adalah
banyaknya clusters. Semakin kecil nilai inter-cluster similarity, maka se-
makin baik kualitas clustering.

3. Hybrid . Perhitungan intra-cluster dan inter-cluster mengoptimalkan

satu hal sementara tidak memperdulikan hal lainnya. Intra-cluster menghi-
tung keeratan anggota cluster, sementara Inter-cluster menghitung sepa-
rasi antar clusters. Kita dapat menggabungkan keduanya sebagai hybrid
(gabungan), dihitung dengan:
PK PK kck k2 K
0
k=1 Ik k=1 Nk
X kck k
H= = PK ck cD
= 2 D
(10.10)
E k=1 Nk
N k ck c
kck k k=1

Semakin besar nilai perhitungan hybrid, semakin bagus kualitas clusters.

Apabila terdapat informasi label/ kelas untuk setiap data, kita juga da-
pat menghitung kualitas algoritma clustering (perhatikan! tujuan pengukuran
adalah kualitas algoritma) dengan Entropy dan Purity.
126 10 Clustering

Soal Latihan
10.1. Intra-cluster Evaluation
Buktikan kebenaran persamaan 10.7.

10.2. Entropy
Bagaimana cara menghitung kualitas algoritma clustering, jika diberikan in-
formasi label/ kelas setiap data menggunakan: (hint, baca [36])
(a) Entropy
(b) Purity

10.3. Kompleksitas
Hitunglah kompleksitas algoritma untuk:
(a) K-means
(b) Agglomerative Clustering
(c) Divisive Clustering

10.4. Kemiripan Data

Sebutkanlah contoh perhitungan kemiripan untuk data string. Bagaimana
adaptasi perhitungan tersebut pada formula-formula yang sudah diberikan
pada algoritma K-means dan agglomerative clustering.

10.5. Agglomerative vs Divisive Clustering

Menurut kamu, mengapa pendekatan bottom-up (agglomerative) lebih populer
dibanding top-down (divisive)? Apa perbedaan kedua pendekatan tersebut
(keuntungan dan kerugian masing-masing)?

10.6. Agglomerative Link

Jelaskan apa kelebihan dan kekurangan masing-masing metode perhitungan
kemiripan cluster pada agglomerative clustering!
 Bagian III

Artificial Neural Network

11
Feedforward Neural Network

“If you want to make

information stick, it’s best to
learn it, go away from it for a
while, come back to it later,
leave it behind again, and once
again return to it - to engage
with it deeply across time. Our
memories naturally degrade, but
each time you return to a
memory, you reactivate its neural
network and help to lock it in.”

Joshua Foer

Bagian tiga membahas algoritma machine learning yang sedang populer

belakangan ini, yaitu artificial neural network. Buku ini lebih berfokus pada
penggunaan artifical neural network untuk supervised learning. Pembahasan
dimulai dari hal-hal sederhana (single perceptron, multilayer perceptron) sam-
pai yang lebih kompleks.

11.1 Definisi Artificial Neural Network

Masih ingatkah Anda materi pada bab-bab sebelumnya? Machine learn-
ing sebenarnya meniru bagaimana proses manusia belajar. Pada bagian ini,
peneliti ingin meniru proses belajar tersebut dengan mensimulasikan jaringan
saraf biologis (neural network ) [39, 40, 41, 42]. Kami yakin banyak yang sudah
tidak asing dengan istilah ini, berhubung deep learning sedang populer dan
banyak yang membicarakannya (dan digunakan sebagai trik pemasaran). Ar-
tificial neural network adalah salah satu algoritma supervised learning yang
populer dan bisa juga digunakan untuk semi-supervised atau unsupervised
learning [40, 42, 43, 44, 45]. Walaupun tujuan awalnya adalah untuk men-
simulasikan jaringan saraf biologis, jaringan tiruan ini sebenenarnya simulasi
130 11 Feedforward Neural Network

yang terlalu disederhanakan, artinya simulasi yang dilakukan tidak mampu

menggambarkan kompleksitas jaringan biologis manusia1 .
Artificial Neural Network (selanjutnya disingkat ANN), menghasilkan
model yang sulit dibaca dan dimengerti oleh manusia karena memiliki banyak
layer (kecuali single perceptron) dan sifat non-linear (merujuk pada fungsi
aktivasi). Pada bidang riset ini, ANN disebut agnostik–kita percaya, tetapi
sulit membuktikan kenapa konfigurasi parameter yang dihasilkan training bisa
benar. Konsep matematis ANN itu sendiri cukup solid, tetapi interpretabil-
ity model rendah menyebabkan kita tidak dapat menganalisa proses inferensi
yang terjadi pada model ANN. Secara matematis, ANN ibarat sebuah graf.
ANN memiliki neuron/node (vertex ), dan sinapsis (edge). Topologi ANN akan
dibahas lebih detil subbab berikutnya. Karena memiliki struktur seperti graf,
operasi pada ANN mudah dijelaskan dalam notasi aljabar linear. Sebagai gam-
baran, ANN berbentuk seperti Gambar 11.1 (deep neural network, salah satu
varian arsitektur). Depth (kedalaman) ANN mengacu pada jumlah layer. Se-
mentara width (lebar) ANN mengacu pada jumlah unit pada layer.

Gambar 11.1. Deep Neural Network

11.2 Single Perceptron

Bentuk terkecil (minimal) sebuah ANN adalah single perceptron yang hanya
terdiri dari sebuah neuron. Sebuah neuron diilustrasikan pada Gambar 11.2.
Secara matematis, terdapat feature vector x yang menjadi input bagi neuron
tersebut. Ingat kembali, feature vector merepresentasikan suatu data point,
event atau instans. Neuron akan memproses input x melalui perhitungan
1
Quora: why is Geoffrey Hinton suspicious of backpropagation and
wants AI to start over
 11.2 Single Perceptron 131

jumlah perkalian antara nilai input dan synapse weight, yang dilewatkan
pada fungsi non-linear [46, 47, 4]. Pada training, yang dioptimasi adalah
nilai synapse weight (learning parameter ). Selain itu, terdapat juga bias b se-
bagai kontrol tambahan (ingat materi steepest gradient descent). Output dari
neuron adalah hasil fungsi aktivasi dari perhitungan jumlah perkalian antara
nilai input dan synapse weight. Ada beberapa macam fungsi aktivasi, misal
step function, sign function, rectifier dan sigmoid function. Untuk se-
lanjutnya, pada bab ini, fungsi aktivasi yang dimaksud adalah jenis sigmoid
function. Silahkan eksplorasi sendiri untuk fungsi aktivasi lainnya. Salah satu
bentuk tipe sigmoid function diberikan pada persamaan 11.1. Bila di-plot
menjadi grafik, fungsi ini memberikan bentuk seperti huruf S.

Gambar 11.2. Single Perceptron

1
σ(u) = (11.1)
1 + e−u
Perhatikan kembali, Gambar 11.2 sesungguhnya adalah operasi aljabar
linear. Single perceptron dapat dituliskan kembali sebagai 11.2.
o = f (x · w + b) (11.2)
dimana o adalah output dan f adalah fungsi non-linear yang dapat di-
turunkan secara matematis (differentiable non-linear function – selanjut-
nya disebut “fungsi non-linear” saja.). Bentuk ini tidak lain dan tidak bukan
adalah persamaan model linear yang ditransformasi dengan fungsi non-linear.
Secara filosofis, ANN bekerja mirip dengan model linear, yaitu mencari de-
cision boudary. Apabila beberapa model non-linear ini digabungkan, maka
kemampuannya akan menjadi lebih hebat (subbab berikutnya). Yang men-
jadikan ANN “spesial” adalah penggunaan fungsi non-linear.
Untuk melakukan pembelajaran single perceptron, training dilakukan meng-
gunakan perceptron training rule. Prosesnya sebagai berikut [4, 46, 47]:
132 11 Feedforward Neural Network

1. Inisiasi nilai synapse weights, bisa random ataupun dengan aturan ter-
tentu. Untuk heuristik aturan inisiasi, ada baiknya membaca buku refer-
ensi [1, 11].
2. Lewatkan input pada neuron, kemudian kita akan mendapatkan nilai out-
put. Kegiatan ini disebut feedforward.
3. Nilai output (actual output) tersebut dibandingkan dengan desired output.
4. Apabila nilai output sesuai dengan desired output, tidak perlu mengubah
apa-apa.
5. Apabila nilai output tidak sesuai dengan desired output, hitung nilai error
(loss) kemudian lakukan perubahan terhadap learning parameter (synapse
weight).
6. Ulangi langkah-langkah ini sampai tidak ada perubahan nilai error, nilai
error kurang dari sama dengan suatu threshold (biasanya mendekati 0),
atau sudah mengulangi proses latihan sebanyak T kali (threshold ).
Error function diberikan pada persamaan 11.3 2 (dapat diganti dengan
absolute value) dan perubahan synapse weight diberikan pada persamaan 11.4,
dimana y melambangkan desired output 3 , o = f (x · w + b) melambangkan
actual output untuk x sebagai input. η disebut sebagai learning rate.
2
E(w) = (y − o) (11.3)

∆wi = η(y − o)xi (11.4)

Hasil akhir pembelajaran adalah konfigurasi synapse weight. Saat klasi-
fikasi, kita melewatkan input baru pada jaringan yang telah dibangun, kemu-
dian tinggal mengambil hasilnya. Pada contoh kali ini, seolah-olah single per-
ceptron hanya dapat digunakan untuk melakukan binary classification (hanya
ada dua kelas, nilai 0 dan 1). Untuk multi-label classification, kita dapat men-
erapkan berbagai strategi, misal thresholding, i.e., nilai output 0−0.2 mengacu
pada kelas pertama, 0.2 − 0.4 untuk kelas kedua, dst.

11.3 Permasalahan XOR

Sedikit sejarah, perceptron sebenarnya cukup populer sekitar tahun 1950-1960.
Entah karena suatu sebab, perceptron menjadi tidak populer dan digantikan
oleh model linear. Saat itu, belum ada algoritma yang bekerja dengan relatif
bagus untuk melatih perceptron yang digabungkan (multilayer perceptron).
Model linear mendapat popularitas hingga kira-kira dapat disebut sekitar
tahun 1990’an atau awal 2000’an. Berkat penemuan backpropagation sekitar
awal 19804 , multilayer perceptron menjadi semakin populer. Perlu dicatat,
2
Pada umumnya, kita tidak menggunakan satu data, tetapi batch-sized.
3
Pada contoh ini, kebetulan jumlah output neuron hanyalah satu.
4
http://people.idsia.ch/~juergen/who-invented-backpropagation.html
 11.3 Permasalahan XOR 133

komunitas riset bisa jadi seperti cerita ini. Suatu teknik yang baru belum
tentu bisa segera diimplementasikan karena beberapa kendala (misal kendala
kemampuan komputasi).
Pada bab-bab sebelumnya, kamu telah mempelajari model linear dan
model probabilistik. Kita ulangi kembali contoh data yang bersifat non-
linearly separable, yaitu XOR yang operasinya didefinisikan sebagai:
• XOR(0, 0) = 0
• XOR(1, 0) = 1
• XOR(0, 1) = 1
• XOR(1, 1) = 0
Ilustrasinya dapat dilihat pada Gambar 11.3. Jelas sekali, XOR ini adalah
fungsi yang tidak dapat diselesaikan secara langsung oleh model linear.

Gambar 11.3. Permasalahan XOR

Seperti yang diceritakan pada bab model linear, solusi permasalahan ini
adalah dengan melakukan transformasi data menjadi linearly-separable, misal-
nya menggunakan fungsi non-linear pada persamaan 11.5 dimana (x, y) adalah
absis dan ordinat. Hasil transformasi menggunakan fungsi ini dapat dilihat
pada Gambar 11.4. Jelas sekali, data menjadi linearly separable.

φ(x, y) = (x × y, x + y) (11.5)
Sudah dijelaskan pada bab model linear, permasalahan dunia nyata tidak
sesederhana ini (kebetulan ditransformasikan menjadi data dengan dimensi
yang sama). Pada permasalahan praktis, kita harus mentransformasi data
menjadi dimensi lebih tinggi (dari 2D menjadi 3D). Berbeda dengan ide utama
linear model/kernel method tersebut, prinsip ANN adalah untuk mele-
watkan data pada fungsi non-linear (non-linearities). Sekali lagi penulis
ingin tekankan, ANN secara filosofis adalah trainable non-linear mapping
functions. ANN mampu mentransformasi data ke space/ruang konsep yang
berbeda (bisa pada dimensi lebih tinggi atau lebih rendah), lalu mencari non-
linear decision boundary dengan non-linear functions. Interaksi antar-fitur
juga dapat dimodelkan secara non-linear.
134 11 Feedforward Neural Network

Gambar 11.4. XOR ditransformasi. Segiempat berwarna hijau sebenarnya melam-

bangkan dua instans (yang setelah ditransformasi kebetulan berlokasi pada tempat
yang sama)

Perlu dicatat, pemodelan non-linear inilah yang membuat ANN menjadi

hebat. ANN mungkin secara luas didefinisikan mencakup single perceptron
tetapi secara praktis, ANN sebenarnya mengacu pada multilayer per-
ceptron dan arsitektur lebih kompleks (dijelaskan pada subbab berikut-
nya). Pada masa ini, hampir tidak ada lagi yang menggunakan single percep-
tron. Untuk bab-bab kedepan, ketika kami menyebut ANN maka yang diacu
adalah multilayer perceptron dan arsitektur lebih kompleks (single perceptron
di-exclude). Hal ini disebabkan oleh single perceptron tidak dapat mempela-
jari XOR function secara independen tanpa feature engineering, sementara
multilayer perceptron bisa [48].

11.4 Multilayer Perceptron

Kamu sudah belajar bagaimana proses training untuk single perceptron. Selan-
jutnya kita akan mempelajari multilayer perceptron (MLP) yang juga dikenal
sebagai feedforward neural network . Kami tekankan sekali lagi, istilah
“ANN” selanjutnya mengacu pada MLP dan arsitektur lebih kom-
pleks.
Perhatikan ilustrasi pada Gambar 11.5, multilayer perceptron secara lit-
eral memiliki beberapa layers. Pada lecture note ini, secara umum ada tiga
layers: input, hidden, dan output layer. Input layer menerima input (tanpa
melakukan operasi apapun), kemudian nilai input (tanpa dilewatkan ke fungsi
aktivasi) diberikan ke hidden units (persamaan 11.6). Pada hidden units, in-
put diproses dan dilakukan perhitungan hasil fungsi aktivasi untuk tiap-tiap
neuron, lalu hasilnya diberikan ke layer berikutnya (persamaan 11.7). Out-
put dari input layer akan diterima sebagai input bagi hidden layer. Begit-
upula seterusnya hidden layer akan mengirimkan hasilnya untuk output layer.
Kegiatan ini dinamakan feed forward [40, 4]. Hal serupa berlaku untuk ar-
tificial neural network dengan lebih dari tiga layers. Parameter neuron dapat
dioptimisasi menggunakan metode gradient-based optimization (dibahas pada
subabb berikutnya, ingat kembali bab 5). Perlu diperhatikan, MLP adalah
 11.4 Multilayer Perceptron 135

gabungan dari banyak fungsi non-linear. Seperti yang disampaikan pada sub-
bab sebelumnya, gabungan banyak fungsi non-linear ini lebih hebat dibanding
single perceptron. Seperti yang kamu lihat pada Gambar 11.5, masing-masing
neuron terkoneksi dengan semua neuron pada layer berikutnya. Konfigurasi
ini disebut sebagai fully connected . MLP pada umumnya menggunakan kon-
figurasi fully connected.

Gambar 11.5. Multilayer Perceptron 2

K
!
X
oj = σ xk wk,j + βj (11.6)
k=1

   ! 
XJ XJ K
X
vi = σ  oj uj,i + γi  = σ  σ xk wk,j + βj uj,i + γi  (11.7)
j=1 j=1 k=1

Perhatikan persamaan 11.6 dan 11.7 untuk menghitung output pada layer
yang berbeda. u, w adalah learning parameters. β, γ melambangkan noise atau
bias. K adalah banyaknya input units dan J adalah banyaknya hidden units.
Persamaan 11.7 dapat disederhanakan penulisannya sebagai persamaan 11.8.
Persamaan 11.8 terlihat relatif lebih “elegan”. Seperti yang disebutkan pada
subbab sebelumnya, ANN dapat direpresentasikan dengan notasi operasi al-
jabar.
136 11 Feedforward Neural Network

v = σ(oU + γ) = σ((σ(xW + β))U + γ) (11.8)

Untuk melatih MLP, algoritma yang umumnya digunakan adalah back-
propagation [49]. Arti kata backpropagation sulit untuk diterjemahkan ke
dalam bahasa Indonesia. Kita memperbaharui parameter (synapse weights)
secara bertahap (dari output ke input layer, karena itu disebut backprop-
agation) berdasarkan error /loss (output dibandingkan dengan desired out-
put). Intinya adalah mengkoreksi synapse weight dari output layer ke hid-
den layer, kemudian error tersebut dipropagasi ke layer sebelum-sebelumnya.
Artinya, perubahan synapse weight pada suatu layer dipengaruhi oleh pe-
rubahan synapse weight pada layer setelahnya5 . Backpropagation tidak lain
dan tidak bukan adalah metode gradient-based optimization yang diterapkan
pada ANN.
Pertama-tama diberikan pasangan input (x) dan desired output (y) se-
bagai training data. Untuk meminimalkan loss, algoritma backpropagation
menggunakan prinsip gradient descent (ingat kembali materi bab model lin-
ear). Kamu akan memperlajari bagaimana cara menurunkan backpropagation
menggunakan teknik gradient descent, yaitu menghitung loss ANN pada Gam-
bar 11.5 yang menggunakan fungsi aktivasi sigmoid. Untuk fungsi ak-
tivasi lainnya, pembaca dapat mencoba menurunkan persamaan sendiri!
Ingat kembali chain rule pada perkuliahan diferensial
0
f (g(x)) = f 0 (g(x))g 0 (x). (11.9)

Error, untuk MLP diberikan oleh persamaan 11.10 (untuk satu data point),
dimana I adalah banyaknya output unit dan θ adalah kumpulan weight ma-
trices (semua parameter pada MLP). Kami inggatkan kembali perhitungan
error bisa juga menggunakan nilai absolut6 .
I
1X
E(θ) = (yi − vi )2 (11.10)
2 i=1

Mari kita lakukan proses penurunan untuk melatih MLP. Error /loss ditu-
runkan terhadap tiap learning parameter.
Diferensial uj,i diberikan oleh turunan sigmoid function

δE(θ) δvi
= (yi − vi )
δuj,i δuj,i
= (yi − vi )vi (1 − vi )oj

5
Kata “setelah” mengacu layer yang menuju output layer, “sebelum” mengacu
layer yang lebih dekat dengan input layer.
6
Kami menggunakan tanda kurung agar lebih mudah dibaca penurunan rumusnya.
 11.4 Multilayer Perceptron 137

Diferensial wk,j diberikan oleh turunan sigmoid function

I
δE(θ) X δvi
= (yi − vi )
δwk,j i=1
δwk,j

I
X δvi δoj
= (yi − vi )
i=1
δoj δwk,j
I
X
= (yi − vi )(vi (1 − vi )uj,i )(oj (1 − oj )xk )
i=1

P
Perhatikan, diferensial wk,j memiliki sementara uj,i tidak ada. Hal ini dise-
babkan karena uj,i hanya berkorespondensi dengan satu output neuron. Se-
mentara wk,j berkorespondensi dengan banyak output neuron. Dengan kata
lain, nilai wk,j mempengaruhi hasil operasi yang terjadi pada banyak out-
put neuron, sehingga banyak neuron mempropagasi error kembali ke wk,j .
Ilustrasi diberikan pada Gambar 11.6.

P
Gambar 11.6. Justifikasi penggunaan pada penurunan dari hidden ke input
layer

Metode penurunan serupa dapat juga digunakan untuk menentukan pe-

rubahan β dan γ. Jadi proses backpropagation untuk kasus Gambar 11.5 dapat
diberikan seperti pada Gambar 11.7 dimana η adalah learning rate. Untuk ar-
tificial neural network dengan lebih dari 3 layers, kita pun bisa menurunkan
138 11 Feedforward Neural Network

persamaannya. Secara umum, proses melatih ANN (apapun variasi arsitek-

turnya) mengikuti framework perceptron training rule (subbab 11.2).

Gambar 11.7. Proses latihan MLP menggunakan backpropagation

11.5 Interpretability
Interpretability ada dua macam yaitu model interpretability (i.e., apakah
struktur model pembelajaran mesin dapat dipahami) dan prediction inter-
pretability (i.e., bagaimana memahami dan memverifikasi cara input dipetakan
menjadi output) [50]. Contoh teknik pembelajaran mesin yang mudah di-
interpretasikan baik secara struktur dan prediksinya adalah decision tree
(bab 6.2). Struktur decision tree berupa pohon keputusan mudah dimengerti
oleh manusia dan prediksi (keputusan) dapat dilacak (trace). Seperti yang
sudah dijelaskan pada bagian pengantar, ANN (MLP) biasanya dianggap se-
bagai metode black box atau susah untuk dinterpretasikan (terutama model
interpretability-nya). Hal ini disebabkan oleh kedalaman (depth) yaitu memi-
liki beberapa layer dan non-linearities. Suatu unit pada output layer dipen-
garuhi oleh kombinasi (arbitrary combination) banyak parameter pada layers
sebelumnya yang dilewatkan pada fungsi non-linear. Sulit untuk mengetahui
bagaimana pengaruh bobot suatu unit pada suatu layer berpengaruh pada
output layer, beserta bagaimana pengaruh kombinasi bobot. Intinya, fitur dan
output tidak memiliki korespondensi satu-satu. Berbeda dengan model linear,
kita tahu parameter (dan bobotnya) untuk setiap input. Salah satu arah riset
adalah mencari cara agar keputusan yang dihasilkan oleh ANN dapat di-
jelaskan [51]7 , salah satu contoh nyata adalah attention mechanism [52, 53]

7
Karena struktur lebih susah, setidaknya beranjak dari keputusan terlebih dahulu
 11.7 Multi-label Classification 139

(subbab 13.4.4) untuk prediction interpretability. Survey tentang interpretabil-

ity dapat dibaca pada paper oleh Doshi-Velez dan Kim [54].
Cara paling umum untuk menjelaskan keputusan pada ANN adalah meng-
gunakan heat map. Sederhananya, kita lewatkan suatu data x pada ANN,
kemudian kita lakukan feed-forward sekali (misal dari input ke hidden layer
dengan parameter W). Kemudian, kita visualisasikan x · W (ilustrasi pada
Gambar 11.8). Dengan ini, kita kurang lebih dapat mengetahui bagian input
mana yang berpengaruh terhadap keputusan di layer berikutnya.

Gambar 11.8. Contoh heat map (attention mechanism) pada mesin translasi.
Warna lebih gelap menandakan bobot lebih tinggi. Sebagai contoh, kata “menen-
dang” berkorespondensi paling erat dengan kata “kicks”

11.6 Binary Classification

Salah satu strategi untuk binary classification adalah dengan menyediakan

hanya satu output unit di jaringan. Kelas pertama direpresentasikan dengan
−1, kelas kedua direpresentasikan dengan nilai 1 (setelah diaktivasi). Hal ini
dapat dicapai dengan fungsi non-linear seperti sign 8 . Apabila kita tertarik
dengan probabilitas masuk ke dalam suatu kelas, kita dapat menggunakan
fungsi seperti sigmoid9 atau tanh10 .

11.7 Multi-label Classification

Multilayer perceptron dapat memiliki output unit berjumlah lebih dari satu.
Seumpama kita mempunyai empat kelas, dengan demikian kita dapat merep-
resentasikan keempat kelas tersebut sebagai empat output units. Kelas per-
tama direpresentasikan dengan unit pertama, kelas kedua dengan unit ke-
dua, dst. Untuk C kelas, kita dapat merepresentasikannya dengan C output
units. Kita dapat merepresentasikan data harus dimasukkan ke kelas mana
menggunakan sparse vector, yaitu bernilai 0 atau 1. Elemen ke-i bernilai 1
8
https://en.wikipedia.org/wiki/Sign_function
9
https://en.wikipedia.org/wiki/Sigmoid_function
10
https://en.wikipedia.org/wiki/Hyperbolic_function
140 11 Feedforward Neural Network

apabila data masuk ke kelas ci , sementara nilai elemen lainnya adalah 0 (ilus-
trasi pada Gambar 11.9).Output ANN dilewatkan pada suatu fungsi softmax
yang melambangkan probabilitas class-assignment; i.e., kita ingin output agar
semirip mungkin dengan sparse vector (desired output). Pada kasus ini, output
ANN adalah sebuah distribusi yang melambangkan input di-assign ke kelas
tertentu. Ingat kembali materi bab 5, cross entropy cocok digunakan sebagai
utility function ketika output berbentuk distribusi.

Gambar 11.9. Ilustrasi representasi desired output pada multi-label classification

Gambar 11.10. Deep Neural Network

 11.8 Deep Neural Network 141

11.8 Deep Neural Network

Deep Neural Network (DNN) adalah artificial neural network yang memiliki
banyak layer. Pada umumnya, deep neural network memiliki lebih dari 3 layers
(input layer, N hidden layers, output layer ), dengan kata lain adalah MLP
dengan lebih banyak layer. Karena ada relatif banyak layer, disebutlah deep.
Proses pembelajaran pada DNN disebut sebagai deep learning 11 [9]. Jaringan
neural network pada DNN disebut deep neural network 12 .
Perhatikan Gambar 11.10 yang memiliki 4 layers. Cara menghitung final
output sama seperti MLP, diberikan pada persamaan 11.11 dimana β, γ, λ
adalah noise atau bias.

 ! ! 
XH2 H1
X M
X
fi = σ  uj,i σ vk,j σ xm wm,k + βk + γj + λi  (11.11)
j=1 k=1 m=1

Cara melatih deep neural network, salah satunya dapat menggunakan back-
propagation. Seperti pada bagian sebelumnya, kita hanya perlu menurunkan
rumusnya saja. Penurunan diserahkan pada pembaca sebagai latihan.
Hasil proses penurunan dapat dilihat pada Gambar 11.11.

Gambar 11.11. Proses latihan DNN menggunakan backpropagation

11
Hanya istilah keren saja, tak ada arti spesial!
12
Terkadang disingkat menjadi deep network saja.
142 11 Feedforward Neural Network

Deep network terdiri dari banyak layer dan synapse weight, karenanya es-
timasi parameter susah dilakukan. Arti filosofisnya adalah susah/lama untuk
menentukan relasi antara input dan output. Walaupun deep learning seper-
tinya kompleks, tetapi entah kenapa dapat bekerja dengan baik untuk per-
masalahan praktis [9]. Deep learning dapat menemukan relasi “tersembunyi”
antara input dan output, yang tidak dapat diselesaikan menggunakan multi-
layer perceptron (3 layers). Perhatikan, kamu harus ingat bahwa satu langkah
feedforward memiliki analogi dengan transformasi. Jadi, input ditransfor-
masikan secara non-linear sampai akhirnya pada output, berbentuk distribusi
class-assignment.
Banyak orang percaya deep neural network lebih baik dibanding neural
network yang lebar tapi sedikit layer, karena terjadi lebih banyak transfor-
masi. Maksud lebih banyak transformasi adalah kemampuan untuk merubah
input menjadi suatu representasi (tiap hidden layer dapat dianggap sebagai
salah satu bentuk representasi input) dengan langkah hierarchical. Seperti
contoh permasalahan XOR, permasalahan non-linearly separable pun dapat
diselesaikan apabila kita dapat mentransformasi data (representasi data) ke
dalam bentuk linearly separable pada ruang yang berbeda. Keuntungan utama
deep learning adalah mampu merubah data dari non-linearly separable men-
jadi linearly separable melalui serangkaian transformasi (hidden layers). Selain
itu, deep learning juga mampu mencari decision boundary yang berbentuk
non-linear, serta mengsimulasikan interaksi non-linear antar fitur.
Karena memiliki banyak parameter, proses latihan ANN pada umumnya
lambat. Ada beberapa strategi untuk mempercepat pembelajaran menggu-
nakan deep learning, misalnya: regularisasi, successive learning , dan peng-
gunaan autoencoder [9]. Sebagai contoh, arti successive learning adalah
jaringan yang dibangun secara bertahap. Misal kita latih ANN dengan 3 lay-
ers, kemudian kita lanjutkan 3 layers tersebut menjadi 4 layers, lalu kita latih
lagi menjadi 5 layers, dst. Hal ini sesuai dengan [55], yaitu mulai dari hal ke-
cil. Ilustrasinya dapat dilihat pada Gambar 11.12. Menggunakan deep learning
harus hati-hati karena pembelajaran cenderung divergen (artinya, minimum
squared error belum tentu semakin rendah seiring berjalannya waktu – swing
relatif sering).

11.9 Tips
Pada contoh yang diberikan, error atau loss dihitung per tiap data point.
Artinya begitu ada melewatkan suatu input, parameter langsung dioptimisasi
sesuai dengan loss. Pada umumnya, hal ini tidak baik untuk dilakukan karena
ANN menjadi tidak stabil. Metode yang lebih baik digunakan adalah teknik
minibatches. Yaitu mengoptimisasi parameter untuk beberapa buah inputs.
Jadi, update parameter dilakukan per batch. Perhitungan error juga berubah,
diberikan pada persamaan 11.12 dimana B melambangkan batch size (jum-
lah instans per batch), y adalah desired output dan o adalah actual output.
 11.9 Tips 143

Gambar 11.12. Contoh successive learning

Perhitungan error saat menggunakan minibatches secara sederhana adalah

rata-rata (bisa diganti dengan jumlah saja) individual error untuk semua in-
stans yang ada pada batch bersangkutan. Setelah menghitung error per batch,
barulah backpropagation dilakukan.
B
1 X 2
E(minibatch) = ky − ok (11.12)
B i=1
Data mana saja yang dimasukkan ke suatu batch dalam dipilih secara
acak. Seperti yang mungkin kamu sadari secara intuitif, urutan data yang
disajikan saat training mempengaruhi kinerja ANN. Pengacakan ini menjadi
penting agar ANN mampu mengeneralisasi dengan baik. Kita dapat mengatur
laju pembelajaran dengan menggunakan learning rate. Selain menggunakan
learning rate, kita juga dapat menggunakan momentum (subbab 5.5).
Pada library/API deep learning, learning rate pada umumnya berubah-
ubah sesuai dengan waktu. Selain itu, tidak ada nilai khusus (rule-of-thumb)
untuk learning rate terbaik. Pada umumnya, kita inisiasi learning rate den-
gan nilai {0.001, 0.01, 0.1, 1} [1]. Biasanya, kita menginisiasi proses latihan
dengan nilai learning rate cukup besar, kemudian mengecil seiring berjalan-
nya waktu13 . Kemudian, kita mencari konfigurasi parameter terbaik dengan
metode grid-search 14 , yaitu dengan mencoba-coba parameter secara exhaus-
tive (brute-force) kemudian memilih parameter yang memberikan kinerja ter-
baik.
ANN sensitif terhadap inisialisasi parameter, dengan demikian banyak
metode inisialisasi parameter misalkan, nilai synapse weights diambil dari
distribusi binomial (silahkan eksplorasi lebih lanjut). Dengan hal ini, kinerja

13
Analogi: ngebut saat baru berangkat, kemudian memelan saat sudah dekat den-
gan tujuan agar tidak kelewat
14
https://en.wikipedia.org/wiki/Hyperparameter_optimization
144 11 Feedforward Neural Network

ANN dengan arsitektur yang sama dapat berbeda ketika dilatih ulang dari
awal. Untuk menghindari bias inisialisasi parameter, biasanya ANN dilatih
beberapa kali (umumnya 5, 10, atau 15 kali). Kinerja ANN yang dilaporkan
adalah nilai kinerja rata-rata dan varians (variance). Kamu mungkin sudah
menyadari bahwa melatih ANN harus telaten, terutama dibanding model lin-
ear. Untuk model linear, ia akan memberikan konfigurasi parameter yang sama
untuk training data yang sama (kinerja pun sama). Tetapi, ANN dapat kon-
figurasi parameter yang berbeda untuk training data yang sama (kinerja pun
berbeda). Pada model linear, kemungkinan besar variasi terjadi saat meng-
ganti data. Pada ANN, variasi kinerja ada pada seluruh proses! Untuk mem-
bandingkan dua arsitektur ANN pada suatu dataset, kita dapat menggunakan
two sample t-test unequal variance (arsitektur X lebih baik dari arsitektur Y
secara signifikan dengan nilai p < threshold).
Apabila kamu pikir dengan seksama, ANN sebenarnya melakukan trans-
formasi non-linear terhadap input hingga menjadi output. Parameter diper-
barahui agar transformasi non-linear input bisa menjadi semirip mungkin den-
gan output yang diharapkan. Dengan hal ini, istilah “ANN” memiliki asosi-
asi yang dekat dengan “transformasi non-linear”. Kami ingin kamu mengin-
gat, ANN (apapun variasi arsitekturnya) adalah gabungan fungsi non-
linear, dengan demikian ia mampu mengaproksimasi fungsi non-linear (deci-
sion boundary dapat berupa fungsi non-linear).
Deep learning menjadi penting karena banyaknya transformasi (banyaknya
hidden layers) lebih penting dibanding lebar jaringan. Seringkali (pada per-
masalahan praktis), kita membutuhkan banyak transformasi agar input bisa
menjadi output. Setiap transformasi (hidden layer ) merepresentasikan input
menjadi suatu representasi. Dengan kata lain, hidden layer satu dan hidden
layer lainnya mempelajari bentuk representasi atau karakteristik input yang
berbeda.
Curriculum learning juga adalah tips yang layak disebutkan (men-
tion) [56]. Penulis tidak mengerti detilnya, sehingga pembaca diharapkan
membaca sendiri. Intinya adalah memutuskan apa yang harus ANN pelajari
terlebih dahulu (mulai dari mempelajari hal mudah sebelum mempelajari hal
yang susah).

11.10 Regularization and Dropout

Seperti yang sudah dijelaskan pada model linear. Kita ingin model mengener-
alisasi dengan baik (kinerja baik pada training data dan unseen examples).
Kita dapat menambahkan fungsi regularisasi untuk mengontrol kompleksitas
ANN. Regularisasi pada ANN cukup straightforward seperti regularisasi pada
model linear (subbab 5.8). Kami yakin pembaca bisa mengeksplorasi sendiri.
Selain itu, agar ANN tidak “bergantung” pada satu atau beberapa synapse
weights saja, kita dapat menggunakan dropout. Dropout berarti me-nol -kan
nilai synapse weights dengan nilai rate tertentu. Misalkan kita nol -kan nilai
 11.11 Vanishing and Exploding Gradients 145

30% synapse weights (dropout rate= 0.3) secara random. Hal ini dapat dicapai
dengan teknik masking, yaitu mengalikan synapse weights dengan suatu mask.
Ingat kembali ANN secara umum, persamaan 11.13 dimana W adalah
synapse weights, x adalah input (dalam pembahasan saat ini, dapat merepre-
sentasikan hidden state pada suatu layer), b adalah bias dan f adalah fungsi
aktivasi (non-linear). Kita buat suatu mask untuk synapse weights seperti
pada persamaan 11.14, dimana p adalah vektor dan pi = [0, 1] merepresen-
tasikan synapse weight diikutsertakan atau tidak. r% (dropout rate) elemen
vektor p bernilai 0. Biasanya p diambil dari bernoulli distribution [1]. Kemu-
dian, saat feed forward, kita ganti synapse weights menggunakan mask seperti
pada persamaan 11.15. Saat menghitung backpropagation, turunan fungsi juga
mengikutsertakan mask (gradient di-mask ). Kami sarankan untuk membaca
paper oleh Srivastava et al. [57] tentang dropout pada ANN. Contoh imple-
mentasi dropout dapat dilihat pada pranala berikut15 . Teknik regularization
dan dropout sudah menjadi metode yang cukup “standar” dan diaplikasikan
pada berbagai macam arsitektur.

o = f (x · W + b) (11.13)

W0 = p · W (11.14)

o = f (x · W0 + b) (11.15)

11.11 Vanishing and Exploding Gradients

Pada beberapa kasus, nilai gradien (∆W - perubahan parameter) sangat ke-
cil (mendekati nol - vanishing) atau sangat besar (explode). Vanishing gra-
dient problem umum terjadi untuk ANN yang sangat dalam (deep), yaitu
memiliki banyak layer. Hal ini juga terjadi pada arsitektur khusus, seperti
recurrent neural network saat diberikan input yang panjang [58]. Turunan
suatu fungsi bernilai lebih kecil dari fungsi tersebut. Artinya nilai gradient
pada input layer bernilai lebih kecil dari output layer. Apabila kita memiliki
banyak layer, nilai gradient saat backpropagation mendekati nol ketika ditu-
runkan kembali dalam banyak proses. Ilustrasi vanishing gradient diberikan
pada Gambar 11.13 (analogikan dengan heat map). Saat melakukan backprop-
agation, nilai gradien menjadi mendekati nol (warna semakin putih, delta nilai
semakin menghilang). Penanganan permasalahan ini masih merupakan topik
riset tersendiri. Sebagai contoh, pada arsitektur recurrent neural network, bi-
asanya digunakan fungsi aktivasi long short term memory (LSTM) atau gated
recurrent unit (GRU) untuk menangani vanishing gradient problem. Selain
nilai gradien, nilai synapse weights juga bisa sangat kecil atau sangat besar.
Hal ini juga tidak baik!
15
https://gist.github.com/yusugomori/cf7bce19b8e16d57488a
146 11 Feedforward Neural Network

Gambar 11.13. Ilustrasi vanishing gradient problem

11.12 Rangkuman
Ada beberapa hal yang perlu kamu ingat, pertama-tama jaringan neural net-
work terdiri atas:
1. Input layer
2. Hidden layer(s)
3. Output layer
Setiap edge yang menghubungkan suatu node dengan node lainnya disebut
synapse weight. Pada saat melatih neural network kita mengestimasi nilai
yang “bagus” untuk synapse weights.
Kedua, hal tersulit saat menggunakan neural network adalah menentukan
topologi. Kamu bisa menggunakan berbagai macam variasi topologi neu-
ral network serta cara melatih untuk masing-masing topologi. Tetapi, suatu
topologi tertentu lebih tepat untuk merepresentasikan permasalahan diband-
ing topologi lainnya. Menentukan tipe topologi yang tepat membutuhkan pen-
galaman.
Ketiga, proses training untuk neural network berlangsung lama. Secara
umum, perubahan nilai synapse weights mengikuti tahapan (stage) berikut [9]:
1. Earlier state. Pada tahap ini, struktur global (kasar) diestimasi.
2. Medium state. Pada tahap ini, learning berubah dari tahapan global men-
jadi lokal (ingat steepest gradient descent).
3. Last state. Pada tahap ini, struktur detail sudah selesai diestimasi. Hara-
pannya, model menjadi konvergen.
Neural network adalah salah satu learning machine yang dapat menemukan
hidden structure atau pola data “implisit”. Secara umum, learning machine
tipe ini sering menjadi overfitting/overtraining, yaitu model memiliki kinerja
sangat baik pada training data, tapi buruk pada testing data/unseen example.
Oleh sebab itu, menggunakan neural network harus hati-hati.
Keempat, neural network dapat digunakan untuk supervised, semi -supervised,
maupun unsupervised learning. Hal ini membuat neural network cukup pop-
uler belakangan ini karena fleksibilitas ini. Contoh penggunaan neural net-
 11.12 Rangkuman 147

work untuk unsupervised learning akan dibahas pada bab 12. Semakin canggih
komputer, maka semakin cepat melakukan perhitungan, dan semakin cepat
melatih neural network. Hal ini adalah kemewahan yang tidak bisa dirasakan
20-30 tahun lalu.

Soal Latihan
11.1. Turunan
(a) Turunkanlah perubahan noise/bias untuk training pada MLP.
(b) Turunkanlah proses training deep neural network pada Gambar 11.11 ter-
masuk perubahan noise/bias.

11.2. Neural Network Training

(a) Sebutkan dan jelaskan cara lain untuk melatih artificial neural network
(selain backpropagation) (bila ada)!
(b) Apa kelebihan dan kekurangan backpropagation?
(c) Tuliskan persamaan MLP dengan menggunakan momentum! (kemudian
berikan juga backpropagation-nya)

11.3. Regularization Technique

(a) Sebutkan dan jelaskan teknik regularization untuk neural network ! (dalam
bentuk formula)
(b) Mengapa kita perlu menggunakan teknik tersebut?

11.4. Softmax Function

(a) Apa itu softmax function?
(b) Bagaimana cara menggunakan softmax function pada neural network ?
(c) Pada saat kapan kita menggunakan fungsi tersebut?
(d) Apa kelebihan fungsi tersebut dibanding fungsi lainnya?

11.5. Transformasi atribut

Secara alamiah neural network membutuhkan data dengan atribut numerik
untuk klasifikasi. Jelaskan konversi/strategi penanganan atribut nominal pada
neural network !
12
Autoencoder

“The goal is to turn data into

information, and information
into insight.”

Carly Fiorina

Bab ini memuat materi yang relatif sulit (karena agak high level ). Bab
ini memuat materi autoencoder serta penerapannya pada pemrosesan ba-
hasa alami (natural language processing - NLP). Berhubung aplikasi
yang diceritakan adalah aplikasi pada NLP, kami akan memberi sedikit ma-
teri (background knowledge) agar bisa mendapat gambaran tentang persoalan
pada domain tersebut. Bagi yang tertarik belajar NLP, kami sarankan untuk
membaca buku [59]. Teknik yang dibahas pada bab ini adalah representa-
tion learning untuk melakukan pengurangan dimensi pada feature vector
(dimensionality reduction), teknik ini biasanya digolongkan sebagai unsuper-
vised learning. Artinya, representation learning adalah mengubah suatu rep-
resentasi menjadi bentuk representasi lain yang ekuvalen, tetapi berdimensi
lebih rendah; sedemikian sehingga informasi yang terdapat pada representasi
asli tidak hilang/terjaga. Ide dasar teknik ini bermula dari aljabar linear, yaitu
dekomposisi matriks.

12.1 Representation Learning

Pada bab model linear, kamu telah mempelajari ide untuk mentransformasi
data menjadi dimensi lebih tinggi agar data tersebut menjadi linearly sep-
arable. Pada bab ini, kamu mempelajari hal sebaliknya, yaitu mengurangi
dimensi. Curse of dimensionality dapat dipahami secara mendalam apabila
kamu membaca buku [60]. Untuk melakukan klasifikasi maupun clustering,
kita membutuhkan fitur. Fitur tersebut haruslah dapat membedakan satu in-
stance dan instance lainnya. Seringkali, untuk membedakan instance satu dan
150 12 Autoencoder

instance lainnya, kita membutuhkan feature vector yang berdimensi relatif

“besar”. Karena dimensi feature vector besar, kita butuh sumber daya kom-
putasi yang besar juga (bab 9). Untuk itu, terdapat metode-metode feature
selection 1 untuk memilih fitur-fitur yang dianggap “representatif” diband-
ing fitur lainnya. Sayangnya, bila kita menggunakan metode-metode feature
selection ini, tidak jarang kita kelihangan informasi yang memuat karakteris-
tik data. Dengan kata lain, ada karakteristik yang hilang saat menggunakan
feature selection.
Pertanyaan yang kita ingin jawab adalah apakah ada cara untuk merep-
resentasikan data ke dalam bentuk yang membutuhkan memori lebih sedikit
tanpa adanya kehilangan informasi? Kita dapat memanfaatkan prinsip prin-
cipal component analysis yang sudah kamu pelajari pada bab 9 untuk mere-
duksi dimensi data (mengurangi dimensi input), pada saat yang bersamaan,
menjaga karakteristik data. Representation learning adalah metode untuk
melakukan kompresi feature vector menggunakan neural network 2 . Proses
melakukan kompresi disebut encoding, hasil feature vector dalam bentuk
terkompres disebut coding, proses mengembalikan hasil kompresi ke bentuk
awal disebut decoding 3 . Neural network yang mampu melakukan proses en-
coding disebut encoder , sedangkan decoder untuk proses decoding [61, 62,
63, 64, 65].
Contoh representation learning paling sederhana kemungkinan besar adalah
autoencoder yaitu neural network yang dapat merepresentasikan data ke-
mudian merekonstruksinya kembali. Ilustrasi autoencoder dapat dilihat pada
Gambar 12.1. Karena tujuan encoder untuk kompresi, bentuk terkompresi
haruslah memiliki dimensi lebih kecil dari dimensi input. Neural network
mampu melakukan “kompresi” dengan baik karena ia mampu menemukan
hidden structure dari data. Ukuran utility function atau performance measure
untuk autoencoder adalah mengukur loss. Kamu mungkin berpikir bahwa ide-
alnya, output harus sama dengan input, yaitu autoencoder dengan tingkat loss
0%. Akan tetapi, kita sebenarnya tidak ingin autoencoder memiliki performa
100% (subbab 12.4).
Contoh klasik lainnya adalah N-gram language modelling , yaitu mem-
prediksi kata yt diberikan suatu konteks (surrounding words) misal kata se-
belumnya yt−1 (bigram). Apabila kita mempunyai vocabulary sebesar 40, 000
berarti suatu bigram model membutuhkan memory sebesar 40, 0002 (kombi-
natorial). Apabila kita ingin memprediksi kata diberikan history yang lebih
panjang (misal dua kata sebelumnya - trigram) maka kita membutuhkan mem-
ory sebesar 40, 0003 . Artinya, memory yang dibutuhkan berlipat secara ek-
sponensial. Tetapi, terdapat strategi menggunakan neural network dimana

1
http://scikit-learn.org/stable/modules/feature_selection.html
2
Istilah representation learning pada umumnya mengacu dengan teknik menggu-
nakan neural network.
3
Bisa dianggap sebagai proses menginterpretasikan coding.
 12.2 Singular Value Decomposition 151

Gambar 12.1. Contoh autoencoder sederhana

parameter yang dibutuhkan tidak berlipat secara eksponensial walau kita in-
gin memodelkan konteks yang lebih besar [66].

12.2 Singular Value Decomposition

Sebelum masuk ke autoencoder secara matematis, penulis akan memberikan
sedikit overview tentang dekomposisi matriks. Seperti yang sudah dijelaskan
pada bab-bab sebelumnya, dataset dimana setiap instans direpresentasikan
oleh feature vector dapat disusun menjadi matriks X berukuran N × F , di-
mana N adalah banyaknya instans4 dan F adalah dimensi fitur. Pada ma-
chine learning, dekomposisi atau reduksi dimensi sangat penting dilakukan
terutama ketika dataset berupa sparse matrix. Dekomposisi berkaitan erat
dengan principal component analysis (PCA) yang sudah kamu pelajari. Teknik
PCA (melalui eigendecomposition) mendekomposisi sebuah matriks X men-
jadi tiga buah matriks, seperti diilustrasikan pada persamaan 12.1. Matriks
A adalah kumpulan eigenvector dan λ adalah sebuah diagonal matriks yang
berisi nilai eigenvalue.
X = AλA−1 (12.1)
PCA membutuhkan matriks yang kamu ingin dekomposisi berbentu simetris.
Sedangkan, teknik singular value decomposition (SVD) tidak. Dengan konsep
yang mirip dengna PCA, matriks X dapat difaktorisasi menjadi tiga buah ma-
triks menggunakan teknik SVD, dimana operasi ini berkaitan dengan mencari
eigenvectors, diilustrasikan pada persamaan 12.2.

X = U V WT (12.2)

4
Banyaknya training data.
152 12 Autoencoder

dimana U berukuran N × N , V berukuran N × F , dan W berukuran F × F .

Perlu diperhatikan, matriks V adalah sebuah diagonal matriks (elemennya
adalah nilai singular value dari X). U disebut left-singular vectors yang ter-
susun atas eigenvector dari XXT . Sementara, W disebut right-singular vec-
tors yang tersusun atas eigenvector dari XT X.
Misalkan kita mempunyai sebuah matriks lain V̂ berukuran K × K, yaitu
modifikasi matriks V dengan mengganti sejumlah elemen diagonalnya menjadi
0 (analogi seperti menghapus beberapa baris dan kolom yang dianggap kurang
penting). Sebagai contoh, perhatikan ilustrasi berikut!
 
α1 0 0 0 0  
 0 α2 0 0 0 α1 0 0
V=  0 0 α3 0 0 V̂ = 0 α2 0
  
0 0 α3
0 0 0 α4 0

Kita juga dapat me-nol-kan sejumlah baris dan kolom pada matriks U dan
W menjadi Û (N × K) dan Ŵ (K × F ). Apabila kita mengalikan semuanya,
kita akan mendapat matriks X̂ yang disebut low rank approximation dari
matriks asli X, seperti diilustrasikan pada persamaan 12.3.

X̂ = Û V̂ Ŵ (12.3)
Suatu baris dari matriks E = Û V̂ dianggap sebagai aproksimasi baris
matriks X berdimensi tinggi [1]. Artinya, menghitung dot-product Ei · Ej =
X̂i · X̂j . Artinya, operasi pada matriks aproksimasi (walaupun berdimensi
lebih rendah), kurang lebih melambangkan operasi pada matriks asli. Kon-
sep ini menjadi fundamental autoencoder yang akan dibahas pada subbab
berikutnya. Operasi data pada level coding dianggap merepresentasikan op-
erasi pada bentuk aslinya. Matriks aproksimasi ini memanfaatkan sejumlah
K arah paling berpengaruh pada data. Dengan analogi tersebut, sama seperti
mentransformasi data ke bentuk lain dimana data hasil transformasi memiliki
varians yang tinggi.

12.3 Ide Dasar Autoencoder

Seperti yang sudah dijelaskan autoencoder adalah neural network yang mampu
merekonstruksi input. Ide dasar autoencoder tidak jauh dari konsep dekom-
posisi/dimentionality reduction menggunakan singular value decomposition.
Diberikan dataset X, kita ingin mensimulasikan pencarian matriks X̂ yang
merupakan sebuah low rank approximation dari matriks asli. Arsitektur dasar
autoencoder diberikan pada Gambar 12.1. Kita memberi input matriks X
pada autoencoder, kemudian ingin autoencoder tersebut menghasilkan matriks
yang sama. Dengan kata lain, desired output sama dengan input. Apabila di-
hubungkan dengan pembahasan ANN pada bab sebelumnya, error function
untuk melatih autoencoder diberikan pada persamaan 12.4, dimana y adalah
 12.3 Ide Dasar Autoencoder 153

output dari jaringan dan Z adalah dimensi output, N adalah banyaknya in-
stans dan xi adalah data ke-i (feature vector ke-i).
Z
1 X
2
E(θ) = xi[j] − yi[j] (12.4)
N i=j

Persamaan 12.4 dapat kita tulis kembali sebagai persamaan 12.5, dimana f
melambangkan fungsi aktivasi dan θ adalah ANN (kumpulan weight matri-
ces)5 .
Z
1 X
2
E(θ) = xi[j] − f (xi , θ)[j] (12.5)
N j=1

Seperti yang sudah dijelaskan sebelumnya, desired output sama dengan input.
Tetapi seperti yang kamu ketahui, mencapai loss sebesar 0% adalah hal yang
susah. Dengan demikian, kamu dapat memahami secara intuitif bahwa au-
toencoder melakukan aproksimasi terhadap data asli. Gambar 12.2 mengilus-
trasikan hubungan antara autoencoder dan singular value decomposition 6 .
Perhatikan, hidden layer /coding adalah E = Û V̂. Dengan kata lain, kita

Gambar 12.2. Hubungan autoencoder dan singular value decomposition (analogi)

dapat melakukan operasi dot-product pada coding untuk merepresentasikan

dot-product pada data asli X. Ini adalah ide utama autoencoder, yaitu meng-
aproksimasi/mengkompresi data asli menjadi bentuk lebih kecil coding. Ke-
mudian, operasi pada bentuk coding merepresentasikan operasi pada data
sebenarnya.
5
Pada banyak literatur, kumpulan weight matrices ANN sering dilambangkan den-
gan θ
6
Hanya sebuah analogi.
154 12 Autoencoder

Autoencoder terdiri dari encoder (sebuah neural network ) dan decoder

(sebuah neural network ). Encoder merubah input ke dalam bentuk dimensi
lebih kecil (dapat dianggap sebagai kompresi). Decoder berusaha merekon-
struksi coding menjadi bentuk aslinya. Secara matematis, kita dapat menulis
autoencoder sebagai persamaan 12.6, dimana dec melambangkan decoder, enc
melambangkan encoder dan x adalah input. Encoder diberikan pada per-
samaan 12.7 yang berarti melewatkan input pada suatu layer di neural net-
work untuk menghasilkan representasi x berdimensi rendah, disebut coding
c. U dan α melambangkan weight matrix dan bias.

f (d, θ) = dec(enc(x)) (12.6)

c = enc(x) = g(x, U, α) = σ(x · U + α) (12.7)

Representasi c ini kemudian dilewatkan lagi pada suatu layer untuk merekon-
struksi kembali input, kita sebut sebagai decoder. Decoder diberikan pada per-
samaan 12.8 dimana W dan β melambangkan weight matrix dan bias. Baik
pada fungsi encoder dan decoder, σ melambangkan fungsi aktivasi.

f (d, θ) = dec(c) = h(c, W, β) = σ(c · W + β) (12.8)

Pada contoh sederhana ini, encoder dan decoder diilustrasikan sebagai sebuah
layer. Kenyataannya, encoder dan decoder dapat diganti menggunakan sebuah
neural network dengan arsitektur kompleks.
Sekarang kamu mungkin bertanya-tanya, bila autoencoder melakukan
hal serupa seperti singular value decomposition, untuk apa kita menggu-
nakan autoencoder ? (mengapa tidak menggunakan aljabar saja?) Berbeda
dengan teknik SVD, teknik autoencoder dapat juga mempelajari fitur non-
linear7 . Pada penggunaan praktis, autoencoder adalah neural network yang
cukup kompleks (memiliki banyak hidden layer ). Dengan demikian, kita da-
pat ”mengetahui” berbagai macam representasi atau transformasi data.
Framework autoencoder yang disampaikan sebelumnya adalah framework
dasar. Pada kenyataannya, masih banyak ide lainnya yang bekerja dengan
prinsip yang sama untuk mencari coding pada permasalahan khusus. Output
dari neural network juga bisa tidak sama input-nya, tetapi tergantung per-
masalahan (kami akan memberikan contoh persoalan word embedding). Selain
itu, autoencoder juga relatif fleksibel; dalam artian saat menambahkan data
baru, kita hanya perlu memperbaharui parameter autoencoder saja. Kami
sarankan untuk membaca paper [67, 68] perihal penjelasan lebih lengkap ten-
tang perbedaan dan persamaan SVD dan autoencoder secara lebih matematis.
Secara sederhana, representation learning adalah teknik untuk mengkom-
presi input ke dalam dimensi lebih rendah tanpa (diharapkan) ada kehilangan
informasi. Operasi vektor (dan lainnya) pada level coding merepresentasikan
operasi pada bentuk aslinya. Untuk pembahasan autoencoder secara lebih

7
Hal ini abstrak untuk dijelaskan karena membutuhkan pengalaman.
 12.4 Resisting Perturbation 155

matematis, kamu dapat membaca pranala ini8 . Setelah autoencoder dilatih,

pada umumnya encoder dapat digunakan untuk hal lainnya juga, e.g., klasi-
fikasi kelas gambar.

12.4 Resisting Perturbation

Pada subbab sebelumnya, telah dijelaskan bahwa mencapai performa 100%

(100% rekonstruksi) pada autoencoder adalah hal yang tidak diinginkan. Hal
ini disebabkan karena kita ingin menghindari autoencoder semata-mata hanya
mempelajari trivial identity function [11], memiliki analogi dengan one-to-
one mapping. Misalnya, suatu gambar kuda dipetakan ke coding c, kemudian
gambar kuda lainnya dipetakan ke coding ĉ, dan ĉ tidak mirip dengan c (e.g.,
cosine similarity-nya jauh). Artinya kita ingin autoencoder merepresentasikan
dua hal yang mirip ke dalam bentuk representasi coding yang mirip juga!
Walaupun kita ingin performa autoencoder tidak mencapai 100%, tapi kita
masih ingin performanya dekat dengan 100%.
Tujuan utama autoencoder adalah mengekstraksi informasi penting ten-
tang data yang ada (principal components), bukan replikasi semata. Dengan
alasan ini, coding pada umumnya memiliki dimensi lebih rendah dibanding in-
put. Kita sebut arsitektur ini sebagai undercomplete autoencoder . Apabila
coding memiliki dimensi lebih besar dari input, disebut sebagai overcomplete
autoencoder , kemungkinan besar hanya mempelajari trivial identity func-
tion [11]. Kita dapat menggunakan teknik regularisasi pada autoencoder untuk
memastikan tujuan kita tercapai, misal sparse autoencoder, denoising autoen-
coder dan penalizing derivaties [11]. Untuk mengilustrasikan permasalahan,
buku ini membahas denoising autoencoder (silahkan baca buku [11] untuk
teknik regularisasi lainnya).
Diberikan suatu input x, kemudian kita lakukan noise-injection terhadap
input tersebut, menghasilkan x̃. Perhatikan Gambar 12.3, kita ingin encoder
memberikan bentuk coding yang mirip bagi x dan x̃. Kita ingin memaksa au-
toencoder untuk mempelajari sebuah fungsi yang tidak berubah terlalu jauh
ketika input sedikit diubah. Hal ini disebut sebagai sifat resistance to per-
turbation. Performa autoencoder yang bernilai 100% berbahaya karena au-
toencoder tersebut belum tentu mampu mempelajari sifat data, melainkan
mampu “mengingat” training data saja (mapping table). Objektif denois-
ing autoencoder diberikan pada persamaan 12.9, yaitu kemampuan merekon-
struksi kembali data tanpa noise.
Z
1 X
2
E(θ) = xi[j] − f (x̃i , θ)[j] (12.9)
N j=1

8
https://jaan.io/what-is-variational-autoencoder-vae-tutorial/
156 12 Autoencoder

Gambar 12.3. Resisting Perturbation

Gambar 12.4. Autoencoder yang memiliki sifat resistance to perturbation, yaitu

invarian terhadap sedikit perubahan.

Implikasi atau tujuan dari persamaan 12.9 diberikan pada Gambar 12.4
yang mengilustrasikan invariant to slight changes. Diberikan data dengan dis-
tribusi asli pdata , dan data yang sudah terkena noise x̃, autoencoder mampu
mengembalikan x̃ ke bentuk asli x. Sebagai ilustrasi yang lebih “global”, per-
hatikan Gambar 12.5 dimana suatu elips melambangkan manifolds. Kamu
dapat memahami resistance to perturbation membuat autoencoder memben-
tuk semacam “ruang lokal” yang merepresentasikan suatu data dan variannya.

12.5 Representing Context: Word Embedding

Subbab ini menceritakan salah satu aplikasi autoencoder. Pada domain NLP,
kita ingin komputer mampu mengerti bahasa selayaknya manusia mengerti
bahasa. Misalkan komputer mampu mengetahui bahwa “meja” dan “kursi”
memiliki hubungan yang erat. Hubungan seperti ini tidak dapat terlihat
berdasarkan teks tertulis, tetapi kita dapat menyusun kamus hubungan kata
seperti WordNet9 . WordNet memuat ontologi kata seperti hipernim, antonim,

9
https://wordnet.princeton.edu/
 12.5 Representing Context: Word Embedding 157

Gambar 12.5. Manifolds

sinonim. Akan tetapi, hal seperti ini tentu sangat melelahkan, seumpama ada
kata baru, kita harus memikirkan bagaimana hubungan kata tersebut ter-
hadap seluruh kamus yang sudah dibuat. Pembuatan kamus ini memerlukan
kemampuan para ahli linguistik.
Oleh sebab itu, kita harus mencari cara lain untuk menemukan hubungan
kata ini. Ide utama untuk menemukan hubungan antarkata adalah statisti-
cal semantics hypothesis yang menyebutkan pola penggunaan kata dapat
digunakan untuk menemukan arti kata [69]. Contoh sederhana, kata yang
muncul pada “konteks” yang sama cenderung memiliki makna yang sama.
Perhatikan “konteks” dalam artian NLP adalah kata-kata sekitar (surrounding
words)10 ; contohnya kalimat ”budi menendang bola”, “konteks” dari “bola”
adalah “budi menendang”. Kata “cabai” dan “permen” pada kedua kalimat
“budi suka cabai” dan “budi suka permen” memiliki kaitan makna, dalam
artian keduanya muncul pada konteks yang sama. Sebagai manusia, kita tahu
ada keterkaitan antara “cabai” dan “permen” karena keduanya bisa dimakan.
Berdasarkan hipotesis tersebut, kita dapat mentransformasi kata menjadi
sebuah bentuk matematis dimana kata direpresentasikan oleh pola penggu-
naannya [59]. Arti kata embedding adalah transformasi kata (beserta kon-
teksnya) menjadi bentuk matematis (vektor). “Kedekatan hubungan makna”
(semantic relationship) antarkata kita harapkan dapat tercermin pada op-
erasi vektor. Salah satu metode sederhana untuk merepresentasikan kata seba-
gai vektor adalah Vector Space Model . Konsep embedding dan autoencoder
sangatlah dekat, tapi kami ingin menakankan bahwa embedding adalah bentuk
representasi konteks.
Semantic relationship dapat diartikan sebagai attributional atau
relational similarity . Attributional similarity berarti dua kata memiliki
10
Selain surrounding words, konteks dalam artian NLP dapat juga berupa kalimat,
paragraph, atau dokumen.
158 12 Autoencoder

Dokumen 1 Dokumen 2 Dokumen 3 Dokumen 4 · · ·

King 1 0 0 0 ···
Queen 0 1 0 1 ···
Prince 1 0 1 0 ···
Princess 0 1 0 1 ···
···
Tabel 12.1. Contoh 1-of-V encoding

atribut/sifat yang sama, misalnya anjing dan serigala sama-sama berkaki em-
pat, menggongong, serta mirip secara fisiologis. Relational similarity berarti
derajat korespondensi, misalnya anjing : menggongong memiliki hubungan
yang erat dengan kucing : mengeong.

12.5.1 Vector Space Model

Vector space model (VSM)11 adalah bentuk embedding yang relatif sudah
cukup lama tapi masih digunakan sampai saat ini. Pada pemodelan ini, kita
membuat sebuah matriks dimana baris melambangkan kata, kolom melam-
bangkan dokumen. Metode VSM ini selain mampu menangkap hubungan an-
tarkata juga mampu menangkap hubungan antardokumen (to some degree).
Asal muasalnya adalah statistical semantics hypothesis. Tiap sel pada matriks
berisi nilai 1 atau 0. 1 apabila katai muncul di dokumeni dan 0 apabila tidak.
Model ini disebut 1-of-V/1-hot encoding dimana V adalah ukuran kosa
kata. Ilustrasi dapat dilihat pada Tabel 12.1.
Akan tetapi, 1-of-V encoding tidak menyediakan banyak informasi untuk
kita. Dibanding sangat ekstrim saat mengisi sel dengan nilai 1 atau 0 saja, kita
dapat mengisi sel dengan frekuensi kemunculan kata pada dokumen, disebut
term frequency (TF). Apabila suatu kata muncul pada banyak dokumen,
kata tersebut relatif tidak terlalu ”penting” karena muncul dalam berbagai
konteks dan tidak mampu membedakan hubungan dokumen satu dan doku-
men lainnya (inverse document frequency /IDF). Formula IDF diberikan
pada persamaan 12.10. Tingkat kepentingan kata berbanding terbalik dengan
jumlah dokumen dimana kata tersebut dimuat. N adalah banyaknya doku-
men, |dD; td| adalah banyaknya dokumen dimana kata t muncul.
 
N
IDF (t, D) = log (12.10)
|dD; td|
Dengan menggunakan perhitungan TF-IDF yaitu T F ∗IDF untuk mengisi
sel pada matriks Tabel 12.1, kita memiliki lebih banyak informasi. TF-IDF
sampai sekarang menjadi baseline pada information retrieval . Misalkan

11
Mohon bedakan dengan VSM (vector space model ) dan SVM (support vector
machine)
 12.5 Representing Context: Word Embedding 159

kita ingin menghitung kedekatan hubungan antar dua dokumen, kita hitung
cosine distance antara kedua dokumen tersebut (vektor suatu dokumen
disusun oleh kolom pada matriks). Apabila kita ingin menghitung kedekatan
hubungan antar dua kata, kita hitung cosine distance antara kedua kata terse-
but dimana vektor suatu kata merupakan baris pada matriks. Tetapi seperti
intuisi yang mungkin kamu miliki, mengisi entry dengan nilai TF-IDF pun
akan menghasilkan sparse matrix.

Statistical semantics hypothesis diturunkan lagi menjadi empat macam

hipotesis [69]:
1. Bag of words
2. Distributional hypothesis
3. Extended distributional hypothesis
4. Latent relation hypothesis
Silakan pembaca mencari sumber tersendiri untuk mengerti keempat hipotesis
tersebut atau membaca paper Turney dan Pantel [69].

12.5.2 Sequential, Time Series dan Compositionality

Bahasa manusia memiliki dua macam karakteristik yaitu adalah data berben-
tuk sequential data dan memenuhi sifat compositionality. Sequential data
adalah sifat data dimana suatu kemunculan datai dipengaruhi oleh data se-
belumnya (datai−1 , datai−2 , ...). Perhatikan kedua kalimat berikut:
1. Budi melempar bola.
2. Budi melempar gedung bertingkat.
Pada kedua kalimat tersebut, kalimat pertama lebih masuk akal karena
bagaimana mungkin seseorang bisa melempar “gedung bertingkat”. Kepu-
tusan kita dalam memilih kata berikutnya dipengaruhi oleh kata-kata se-
belumnya, dalam hal ini “Budi melempar” setelah itu yang lebih masuk akal
adalah “bola”. Contoh lain adalah data yang memiliki sifat time series
yaitu gelombang laut, angin, dan cuaca. Kita ingin memprediksi data den-
gan rekaman masa lalu, tapi kita tidak mengetahui masa depan. Kita mampu
memprediksi cuaca berdasarkan rekaman parameter cuaca pada hari-hari se-
belumnya. Ada yang berpendapat beda time series dan sequential (sekuen-
sial) adalah diketahuinya sekuens kedepan secara penuh atau tidak. Penulis
tidak dapat menyebutkan time series dan sekuensial sama atau beda, silahkan
pembaca menginterpretasikan secara bijaksana.
Data yang memenuhi sifat compositionality berarti memiliki struktur
hirarkis. Struktur hirarkis ini menggambarkan bagaimana unit-unit lebih ke-
cil berinteraksi sebagai satu kesatuan. Artinya, interpretasi/pemaknaan unit
yang lebih besar dipengaruhi oleh interpretasi/pemaknaan unit lebih kecil
(subunit). Sebagai contoh, kalimat “saya tidak suka makan cabai hijau”. Unit
160 12 Autoencoder

”cabai” dan ”hijau” membentuk suatu frasa ”cabai hijau”. Mereka tidak bisa
dihilangkan sebagai satu kesatuan makna. Kemudian interaksi ini naik lagi
menjadi kegiatan “makan cabai hijau” dengan keterangan “tidak suka”, bahwa
ada seseorang yang “tidak suka makan cabai hijau” yaitu “saya”. Pemecahan
kalimat menjadi struktur hirarkis berdasarkan syntactical role disebut con-
stituent parsing, contoh lebih jelas pada Gambar 12.6. N adalah noun, D
adalah determiner, NP adalah noun phrase, VP adalah verb phrase, dan S
adalah sentence. Selain bahasa manusia, gambar juga memiliki struktur hi-
rarkis. Sebagai contoh, gambar rumah tersusun atas tembok, atap, jendela,
dan pintu. Tembok, pintu, dan jendela membentuk bagian bawah rumah; lalu
digabung dengan atap sehingga membentuk satu kesatuan rumah.

Gambar 12.6. Contoh constituent tree12

12.5.3 Distributed Word Representation

Seperti yang disebutkan pada bagian sebelumnya, kita ingin hubungan kata
(yang diinferensi dari konteksnya) dapat direpresentasikan sebagai operasi
vektor seperti pada ilustrasi Gambar 12.7. Kata “raja” memiliki sifat-sifat
yang dilambangkan oleh suatu vektor (misal 90% aspek loyalitas, 80% ke-
bijaksanaan, 90% aspek kebangsaan, dst), begitu pula dengan kata “pria”,
“wanita”, dan “ratu”. Jika sifat-sifat yang dimiliki “raja” dihilangkan bagian
sifat-sifat “pria”-nya, kemudian ditambahkan sifat-sifat “wanita” maka ideal-
nya operasi ini menghasilkan vektor yang dekat kaitannya dengan “ratu”. Den-
gan kata lain, raja yang tidak maskulin tetapi fenimin disebut ratu. Seperti
yang disebutkan sebelumnya, ini adalah tujuan utama embedding yaitu merep-
resentasikan “makna” kata sebagai vektor sehingga kita dapat memanipulasi
banyak hal berdasarkan operasi vektor. Hal ini mirip (tetapi tidak sama)
dengan prinsip singular value decomposition dan autoencoder yang telah di-
jelaskan sebelumnya.
12
source: Pinterest
 12.5 Representing Context: Word Embedding 161

Gambar 12.7. Contoh operasi vektor kata

Selain vector space model, apakah ada cara lain yang mampu merep-
resentasikan kata dengan lebih baik? Salah satu kekurangan VSM adalah
tidak memadukan sifat sekuensial pada konstruksi vektornya. Cara lebih baik
ditemukan oleh [43, 44] dengan ekstensi pada [65]. Idenya adalah menggu-
nakan teknik representation learning dan prinsip statistical semantics hypoth-
esis. Metode ini lebih dikenal dengan sebutan word2vec. Tujuan word2vec
masih sama, yaitu merepresentasikan kata sebagai vektor, sehingga kita dapat
melakukan operasi matematis terhadap kata. Encoder -nya berbentuk Conti-
nous bag of words (CBOW) atau Skip Gram. Pada CBOW, kita mem-
prediksi kata diberikan suatu “konteks”. Pada arsitektur ”Skip Gram” kita
memprediksi konteks, diberikan suatu kata. Ilustrasi dapat dilihat pada Gam-
bar 12.8. Bagian projection layer pada Gambar 12.8 adalah coding layer. Kami
akan memberikan contoh CBOW secara lebih detil. Kedua arsitektur ini da-
pat dilatih menggunakan one-hot encoding, i.e., wi merepresentasikan one-hot
encoding untuk kata ke-i.
Perhatikan Gambar 12.9. Diberikan sebuah konteks “si kucing duduk ...
tiker”. Kita harus menebak apa kata pada “...” tersebut. Dengan menggu-
nakan teknik autoencoder, output layer adalah distribusi probabilitas katai
pada konteks tersebut. Kata yang menjadi jawaban adalah kata dengan proba-
bilitas terbesar, misalkan pada kasus ini adalah “beralaskan”. Dengan arsitek-
tur ini, prinsip sekuensial atau time series dan statistical semantics hypothesis
terpenuhi (to a certain extent). Teknik ini adalah salah satu contoh penggu-
naan neural network untuk unsupervised learning. Kita tidak perlu mengko-
respondensikan kata dan output yang sesuai karena input vektor didapat dari
statistik penggunaan kata. Agar lebih tahu kegunaan vektor kata, kamu da-
pat mencoba kode dengan bahasa pemrograman Python 2.7 yang disediakan
penulis13 . Buku ini telah menjelaskan ide konseptual word embedding pada
level abstrak, yaitu merepresentasikan kata dan konteksnya menjadi bentuk
vektor. Apabila kamu tertarik untuk memahami detilnya secara matematis,

13
https://github.com/wiragotama/GloVe_Playground
162 12 Autoencoder

Gambar 12.8. CBOW vs Skip Gram [44]

Gambar 12.9. CBOW

kamu dapat membaca berbagai penelitian terkait14 . Silahkan baca paper oleh
Mikolov [43, 44] untuk detil implementasi word embedding.

12.5.4 Distributed Sentence Representation

Kita sudah dapat merepresentasikan kata menjadi vektor, selanjutnya kita

ingin mengonversi unit lebih besar (kalimat) menjadi vektor. Salah satu cara
14
Beberapa orang berpendapat bahwa evil is in the detail.
 12.5 Representing Context: Word Embedding 163

paling mudah adalah menggunakan nilai rata-rata representasi word embed-

ding untuk semua kata yang ada pada kalimat tersebut (average of its individ-
ual word embeddings). Cara ini sering digunakan pada bidang NLP dan cukup
powerful, sebagai contoh pada paper oleh Putra dan Tokunaga [70]. Pada NLP,
sering kali kalimat diubah terlebih dahulu menjadi vektor sebelum dilewatkan
pada algoritma machine learning, misalnya untuk analisis sentimen (kalimat
bersentimen positif atau negatif). Vektor ini yang nantinya menjadi feature
vector bagi algoritma machine learning.
Kamu sudah tahu bagaimana cara mengonversi kata menjadi vektor, un-
tuk mengonversi kalimat menjadi vektor cara sederhananya adalah merata-
ratakan nilai vektor kata-kata pada kalimat tersebut. Tetapi dengan cara
sederhana ini, sifat sekuensial dan compositional pada kalimat tidak ter-
penuhi. Sebagai contoh, kalimat “anjing menggigit Budi” dan “Budi meng-
gigit anjing” akan direpresentasikan sebagai vektor yang sama karena terdiri
dari kata-kata yang sama. Dengan demikian, representasi kalimat sederhana
dengan merata-ratakan vektor kata-katanya juga tidaklah sensitif terhadap
urutan15 . Selain itu, rata-rata tidak sensitif terhadap compositionality. Misal
frase “bukan sebuah pengalaman baik” tersusun atas frase “bukan” yang di-
ikuti oleh “sebuah pengalaman baik”. Rata-rata tidak mengetahui bahwa
“bukan” adalah sebuah modifier untuk sebuah frase dibelakangnya. Senti-
men dapat berubah bergantung pada komposisi kata-katanya (contoh pada
Gambar 12.10).

Gambar 12.10. Contoh analisis sentimen (Stanford)16

Cara lainnya adalah meng-encode kalimat sebagai vektor menggunakan

recursive autoencoder. Recursive berarti suatu bagian adalah komposisi dari
bagian lainnya. Penggunaan recursive autoencoder sangat rasional berhubung
15
Karena ini recurrent neural network bagus untuk language modelling.
16
http://nlp.stanford.edu:8080/sentiment/rntnDemo.html
164 12 Autoencoder

Gambar 12.11. Contoh recursive autoencoder

Gambar 12.12. Contoh recursive autoencoder dengan sentiment[62]

data memenuhi sifat compositionality yang direpresentasikan dengan baik oleh

topologi recursive neural network. Selain itu, urutan susunan kata-kata juga
tidak hilang. Untuk melatih recursive autoencoder, output dari suatu layer
adalah rekonstruksi input, ilustrasi dapat dilihat pada Gambar 12.11. Pada
setiap langkah recursive, hidden layer/coding layer berusaha men-decode atau
merekonstruksi kembali vektor input.
Lebih jauh, untuk sentimen analisis pada kata, kita dapat menambahkan
output pada setiap hidden layer, yaitu sentimen unit gabungan, seperti pada
Gambar 12.12. Selain menggunakan recursive autoencoder, kamu juga da-
pat menggunakan recurrent autoencoder. Kami silahkan pada pembaca untuk
 12.6 Tips 165

memahami recurrent autoencoder. Prinsipnya mirip dengan recursive autoen-

coder.
Teknik yang disampaikan mampu mengonversi kalimat menjadi vektor,
lalu bagaimana dengan paragraf, satu dokumen, atau satu frasa saja? Teknik
umum untuk mengonversi teks menjadi vektor dapat dibaca pada [64] yang
lebih dikenal dengan nama paragraph vector atau doc2vec.

12.6 Tips
Bab ini menyampaikan penggunaan neural network untuk melakukan kom-
presi data (representation learning) dengan teknik unsupervised learning. Hal
yang lebih penting untuk dipahami bahwa ilmu machine learning tidak berdiri
sendiri. Walaupun kamu menguasai teknik machine learning tetapi tidak
mengerti domain dimana teknik tersebut diaplikasikan, kamu tidak akan bisa
membuat learning machine yang memuaskan. Contohnya, pemilihan fitur ma-
chine learning pada teks (NLP) berbeda dengan gambar (visual processing).
Mengerti machine learning tidak semata-mata membuat kita bisa menyele-
saikan semua macam permasalahan. Tanpa pengetahuan tentang domain ap-
likasi, kita bagaikan orang buta yang ingin menyetir sendiri!

Soal Latihan
12.1. Penggunaan Autoencoder untuk Arsitektur Kompleks
(a) Pada bab 11, telah dijelaskan bahwa kita dapat menginisialisasi arsitektur
neural network yang kompleks menggunakan autoencoder. Jelaskan pada
kasus apa kita dapat melakukan hal tersebut!
(b) Jelaskan mengapa menginisiasi (sebagian) arsitektur kompleks menggu-
nakan autoencoder adalah sesuatu yang masuk akal!

12.2. LSI dan LDA

(a) Jelaskanlah Latent Semantic Indexing (LSI) dan Latent Dirichlet Alloca-
tion (LDA)!
(b) Apa persamaan dan perbedaan antara LSI, LDA, dan autoencoder ?

12.3. Variational Autoencoder

Jelaskan apa itu variational autoencoder ! Deskripsikan perbedaannya dengan
autoencoder yang sudah dijelaskan pada bab ini?
13
Arsitektur Neural Network

“As students cross the threshold

from outside to insider, they also
cross the threshold from
superficial learning motivated by
grades to deep learning
motivated by engagement with
questions. Their transformation
entails an awakening–even,
perhaps, a falling in love.”

John C. Bean

Seperti yang sudah dijelaskan pada bab 12, data memiliki karakteristik
(dari segi behaviour ) misal sequential data, compositional data, dsb. Terdapat
arsitektur khusus artificial neural network (ANN) untuk menyelesaikan per-
soalan pada tipe data tertentu. Pada bab ini, kami akan memberikan beberapa
contoh variasi arsitektur ANN yang cocok untuk tipe data tertentu. Penulis
akan berusaha menjelaskan semaksimal mungkin ide-ide penting pada masing-
masing arsitektur. Tujuan bab ini adalah memberikan pengetahuan konsep-
tual (intuisi). Pembaca harus mengeksplorasi tutorial pemrograman untuk
mampu mengimplementasikan arsitektur-arsitektur ini. Penjelasan pada bab
ini bersifat abstrak dan kamu harus mengerti penjelasan bab-bab sebelumnya
untuk mengerti konsep pada bab ini.

13.1 Convolutional Neural Network

Subbab ini akan memaparkan ide utama dari convolutional neural network
(CNN) berdasarkan paper asli dari LeCun dan Bengio [71] (saat buku ini
ditulis sudah ada banyak variasi). CNN memiliki banyak istilah dari bidang
pemrosesan gambar (karena dicetuskan dari bidang tersebut), tetapi demi
168 13 Arsitektur Neural Network

mempermudah pemahaman intuisi CNN, diktat ini akan menggunakan istilah

yang lebih umum juga.
Sekarang, mari kita memasuki cerita CNN dari segi pemrosesan gambar.
Objek bisa saja dterlatak pada berbagai macam posisi seperti diilustrasikan
oleh Gambar. 13.1. Selain tantangan variasi posisi objek, masih ada juga tan-
tangan lain seperti rotasi objek dan perbedaan ukuran objek (scaling). Kita
ingin mengenali (memproses) objek pada gambar pada berbagai macam po-
sisi yang mungkin (translation invariance). Salah satu cara yang mungkin
adalah dengan membuat suatu mesin pembelajaran (ANN) untuk regional
tertentu seperti pada Gambar. 13.2 (warna biru) kemudian meng-copy mesin
pembelajaran untuk mampu mengenali objek pada regional-regional lainnya.
Akan tetapi, kemungkinan besar ANN copy memiliki konfigurasi parameter
yang sama dengan ANN awal. Hal tersebut disebabkan objek memiliki in-
formasi prediktif (predictive information – feature vector ) yang sama yang
berguna untuk menganalisisnya. Dengan kata lain, objek yang sama (smiley)
memiliki bentuk feature vector yang mirip walaupun posisinya digeser-geser.
ANN (MLP) bisa juga mempelajari prinsip translation invariance, tetapi
memerlukan jauh lebih banyak parameter dibanding CNN (subbab berikut-
nya secara lebih matematis) yang memang dibuat dengan prinsip translation
invariance (built-in).

Gambar 13.1. Motivasi convolutional neural network

13.1.1 Convolution
Seperti yang sudah dijelaskan, motivasi CNN adalah untuk mampu menge-
nali aspek yang informatif pada regional tertentu (lokal). Dibanding meng-
copy mesin pembelajaran beberapa kali untuk mengenali objek pada banyak
regional, ide lebih baik adalah untuk menggunakan sliding window . Setiap
operasi pada window 1 bertujuan untuk mencari aspek lokal yang paling infor-
1
Dikenal juga sebagai receptive field.
 13.1 Convolutional Neural Network 169

Gambar 13.2. Motivasi convolutional neural network, solusi regional

matif. Ilustrasi diberikan oleh Gambar. 13.3. Warna biru merepresentasikan

satu window, kemudian kotak ungu merepresentasikan aspek lokal paling in-
formatif (disebut filter ) yang dikenali oleh window. Dengan kata lain, kita
mentransformasi suatu window menjadi suatu nilai numerik (filter ). Kita juga
dapat mentransformasi suatu window (regional) menjadi d nilai numerik (d-
channels, setiap elemen berkorespondensi pada suatu filter ). Window ini ke-
mudian digeser-geser sebanyak T kali, sehingga akhirnya kita mendapatkan
vektor dengan panjang d × T . Keseluruhan operasi ini disebut sebagai con-
volution 2 .

Gambar 13.3. Sliding window

Agar kamu lebih mudah memahami prinsip ini, kami berikan contoh dalam
bentuk 1-D pada Gambar. 13.4. Warna biru merepresentasikan feature vector
(regional) untuk suatu input (e.g., regional pada suatu gambar, kata pada
kalimat, dsb). Pada contoh ini, setiap 2 input ditransformasi menjadi vektor
berdimensi 2 (2-channels); menghasilkan vektor berdimensi 4 (2 window ×
2).
Pada contoh sebelumnya, kita menggunakan window selebar 2, satu win-
dow mencakup 2 data; i.e., window 1 = (x1 , x2 ), window 2 = (x2 , x3 ), · · · .
Untuk suatu input x. Kita juga dapat mempergunakan stride sebesar s,
yaitu seberapa banyak data yang digeser untuk window baru. Contoh yang
diberikan memiliki stride sebesar satu. Apabila kita memiliki stride= 2, maka

2
Istilah convolution yang diterangkan pada konteks machine learning memiliki arti
yang berbeda pada bidang signal processing.
170 13 Arsitektur Neural Network

Gambar 13.4. 1D Convolution

kita menggeser sebanyak 2 data setiap langkah; i.e., window 1 = (x1 , x2 ), win-
dow 2 = (x3 , x4 ), · · · .
Selain sliding window dan filter, convolutional layer juga mengadopsi prin-
sip weight sharing. Artinya, synapse weights untuk suatu filter adalah sama
walau filter tersebut dipergunakan untuk berbagai window. Sebagai ilustrasi,
perhatikan Gambar. 13.5, warna yang sama pada synapse weights menun-
jukkan synapse weights bersangkutan memiliki nilai (weight) yang sama.
Tidak hanya pada filter hitam, hal serupa juga terjadi pada filter berwarna
oranye (i.e., filter berwarnya oranye juga memenuhi prinsip weight sharing).
Walaupun memiliki konfigurasi bobot synapse weights yang sama, unit da-
pat menghasilkan output yang berbeda untuk input yang berbeda. Konsep
weight sharing ini sesuai dengan cerita sebelumnya bahwa konfigurasi param-
eter untuk mengenali karakteristik informatif untuk satu objek bernilai sama
walau pada lokasi yang berbeda. Dengan weight sharing, parameter neural
network juga menjadi lebih sedikit dibanding menggunakan multilayer per-
ceptron (feed-forward neural network ).

Gambar 13.5. Konsep weight sharing

13.1.2 Pooling

Pada tahap convolution, kita merubah setiap k-sized window menjadi satu
vektor berdimensi d (yang dapat disusun menjadi matriks D). Semua vek-
tor yang dihasilkan pada tahap sebelumnya dikombinasikan (pooled ) menjadi
satu vektor c. Ide utamanya adalah mengekstrak informasi paling informatif
(semacam meringkas). Ada beberapa teknik pooling, diantaranya: max pooling,
 13.1 Convolutional Neural Network 171

average pooling, dan K-max pooling 3 ; diilustrasikan pada Gambar. 13.6. Max
pooling mencari nilai maksimum untuk setiap dimensi vektor. Average pooling
mencari nilai rata-rata tiap dimensi. K-max pooling mencari K nilai terbesar
untuk setiap dimensinya (kemudian hasilnya digabungkan). Gabungan operasi
convolution dan pooling secara konseptual diilustrasikan pada Gambar. 13.7.

Gambar 13.6. Contoh pooling

Gambar 13.7. Convolution dan pooling

3
Kami ingin pembaca mengeksplorasi sendiri dynamic pooling.
172 13 Arsitektur Neural Network

Setelah melewati berbagai operasi convolution dan pooling, kita akan

memiliki satu vektor yang kemudian dilewatkan pada multilayer perceptron
(fully connected ) untuk melakukan sesuatu (tergantung permasalahan), misal
klasifikasi gambar, klasifikasi sentimen, dsb (Ilustrasi pada Gambar. 13.8).

Gambar 13.8. Convolutional Neural Network 4

13.1.3 Rangkuman

Kemampuan utama convolutional neural network (CNN) adalah arsitektur

yang mampu mengenali informasi prediktif suatu objek (gambar, teks, poton-
gan suara, dsb) walaupun objek tersebut dapat diposisikan dimana saja pada
input. Kontribusi CNN adalah pada convolution dan pooling layer. Convolu-
tion bekerja dengan prinsip sliding window dan weight sharing (mengurangi
kompleksitas perhitungan). Pooling layer berguna untuk merangkum infor-
masi informatif yang dihasilkan oleh suatu convolution (mengurangi dimensi).
Pada ujung akhir CNN, kita lewatkan satu vektor hasil beberapa operasi
convolution dan pooling pada multilayer perceptron (feed-forward neural net-
work ), dikenal juga sebagai fully connected layer , untuk melakukan suatu
pekerjaan (e.g., klasifikasi). Perhatikan, pada umumnya CNN tidak berdiri
sendiri, dalam artian CNN biasanya digunakan (dikombinasikan) untuk ar-
sitektur yang lebih besar.

13.2 Recurrent Neural Network

Ide dasar recurrent neural network (RNN) adalah membuat topologi jaringan
yang mampu merepresentasikan data sequential (sekuensial) atau time se-
ries [72], misalkan data ramalan cuaca. Cuaca hari ini bergantung kurang
lebih pada cuaca hari sebelumnya. Sebagai contoh apabila hari sebelumnya

4
mathworks.com
 13.2 Recurrent Neural Network 173

mendung, ada kemungkinan hari ini hujan5 . Walau ada yang menganggap
sifat data sekuensial dan time series berbeda, RNN berfokus sifat data di-
mana instans waktu sebelumnya (t − 1) mempengaruhi instans pada waktu
berikutnya (t). Intinya, mampu mengingat history.
Secara lebih umum, diberikan sebuah sekuens input x = (x1 , · · · , xT ).
Data xt (i.e., vektor, gambar, teks, suara) dipengaruhi oleh data sebelum-
sebelumnya (history), ditulis sebagai P (xt | {x1 , · · · , xt−1 }). Kami harap
kamu ingat kembali materi markov assumption yang diberikan pada bab 8.
Pada markov assumption, diasumsikan bahwa data xt (data point) hanya
dipengaruhi oleh beberapa data sebelumnya saja (analogi: windowing).
Setidaknya, asumsi ini memiliki dua masalah:
1. Menentukan window terbaik. Bagaimana cara menentukan banyaknya
data sebelumnya (secara optimal) yang mempengaruhi data sekarang.
2. Apabila kita menggunakan markov assumption, artinya kita mengganggap
informasi yang dimuat oleh data lama dapat direpresentasikan oleh data
lebih baru (xt memuat informasi dari xt−J ; J adalah ukuran window ).
Penyederhanaan ini tidak jarang mengakibatkan informasi yang hilang.
RNN adalah salah satu bentuk arsitektur ANN untuk mengatasi masalah
yang ada pada markov assumption. Ide utamanya adalah memorisasi6 , kita
ingin mengingat keseluruhan sekuens (dibanding markov assumption yang
mengingat sekuens secara terbatas), implikasinya adalah RNN yang mampu
mengenali dependensi yang panjang (misal xt ternyata dependen terhadap
x1 ). RNN paling sederhana diilustrasikan pada Gambar. 13.9. Ide utamanya
adalah terdapat pointer ke dirinya sendiri.

Gambar 13.9. Bentuk konseptual paling sederhana recurrent NN

Ilustrasi Gambar. 13.9 mungkin sedikit susah dipahami karena berben-

tuk sangat konseptual. Bentuk lebih matematis diilustrasikan pada Gam-
bar. 13.10 [72]. Perhitungan hidden state pada waktu ke-t bergantung pada
input pada waktu ke-t (xt ) dan hidden state pada waktu sebelumnya (ht−1 ).

5
Mohon bertanya pada ahli meteorologi untuk kebenaran contoh ini. Contoh ini
semata-mata pengalaman pribadi penulis.
6
Tidak merujuk hal yang sama dengan dynamic programming.
174 13 Arsitektur Neural Network

Gambar 13.10. Konsep Recurrent Neural Network

Konsep ini sesuai dengan prinsip recurrent yaitu mengingat (memorisasi)

kejadian sebelumnya. Kita dapat tulis kembali RNN sebagai persamaan 13.1.

ht = f (xt , ht−1 , b) (13.1)

dimana f adalah fungsi aktivasi (non-linear, dapat diturunkan). Demi menyeder-

hanakan penjelasan, penulis tidak mengikutsertakan bias (b) pada fungsi-
fungsi berikutnya. Kami berharap pembaca selalu mengingat bahwa bias
adalah parameter yang diikutsertakan pada fungsi artificial neural network.
Fungsi f dapat diganti dengan variasi neural network 7 , misal menggunakan
long short-term memory network (LSTM) [73]. Buku ini hanya akan menje-
laskan konsep paling penting, silahkan eksplorasi sendiri variasi RNN.
Secara konseptual, persamaan 13.1 memiliki analogi dengan full markov
chain. Artinya, hidden state pada saat ke-t bergantung pada semua hidden
state dan input sebelumnya.

ht = f (xt , ht−1 )
= f (xt , f (xt−1 , ht−2 )) (13.2)
= f (xt , f (xt−1 , f ({x1 , · · · , xt−2 }, {h1 , · · · , ht−3 })))

Training pada recurrent neural network dapat menggunakan metode back-

propagation. Akan tetapi, metode tersebut kurang intuitif karena tidak mampu
mengakomodasi training yang bersifat sekuensial time series. Untuk itu, ter-
dapat metode lain bernama backpropagation through time [74].
Sebagai contoh kita diberikan sebuah sekuens x dengan panjang T seba-
gai input, dimana xt melambangkan input ke-i (data point dapat berupa
e.g., vektor, gambar, teks, atau apapun). Kita melakukan feed forward data
tersebut ke RNN, diilustrasikan pada Gambar. 13.11. Perlu diingat, RNN
7
https://en.wikipedia.org/wiki/Recurrent_neural_network
 13.2 Recurrent Neural Network 175

Gambar 13.11. Konsep feed forward pada RNN

mengadopsi prinsip parameter sharing (serupa dengan weight sharing pada

CNN) dimana neuron yang sama diulang-ulang saat process feed forward.
Setelah selesai proses feed forward, kita memperbaharui parameter (synapse
weights) berdasarkan propagasi error (backpropagation). Pada backpropaga-
tion biasa, kita perbaharui parameter sambil mempropagasi error dari hidden
state ke hidden state sebelumnya. Teknik melatih RNN adalah backpropa-
gation through time yang melakukan unfolding pada neural network. Kita
mengupdate parameter saat kita sudah mencapai hidden state paling awal.
Hal ini diilustrasikan pada Gambar. 13.128 . Gambar. 13.12 dapat diseder-
hanakan menjadi bentuk lebih abstrak (konseptual) pada Gambar. 13.13.

Gambar 13.12. Konsep backpropagation through time [42]

8
Prinsip ini mirip dengan weight sharing.
176 13 Arsitektur Neural Network

Gambar 13.13. Konsep backpropagation through time [1]. Persegi berwarna merah
umumnya melambangkan multi-layer perceptron

Kita mempropagasi error dengan adanya efek dari next states of hid-
den layer. Synapse weights diperbaharui secara large update. Synapse weight
tidak diperbaharui per layer. Hal ini untuk merepresentasikan neural net-
work yang mampu mengingat beberapa kejadian masa lampau dan keputu-
san saat ini dipengaruhi oleh keputusan pada masa lampau juga (ingatan).
Untuk mengerti proses ini secara praktikal (dapat menuliskannya sebagai pro-
gram), penulis sarankan pembaca untuk melihat materi tentang computa-
tion graph 9 dan disertasi PhD oleh Mikolov [42].
Walaupun secara konseptual RNN dapat mengingat seluruh kejadian se-
belumnya, hal tersebut sulit untuk dilakukan secara praktikal untuk sekuens
yang panjang. Hal ini lebih dikenal dengan vanishing atau exploding gradient
problem [58, 75, 76]. Seperti yang sudah dijelaskan, ANN dan variasi arsitek-
turnya dilatih menggunakan teknik stochastic gradient descent (gradient-based
optimization). Artinya, kita mengandalkan propagasi error berdasarkan tu-
runan. Untuk sekuens input yang panjang, tidak jarang nilai gradient menjadi
sangat kecil dekat dengan 0 (vanishing) atau sangat besar (exploding). Ketika
pada satu hidden state tertentu, gradient pada saat itu mendekati 0, maka
nilai yang sama akan dipropagasikan pada langkah berikutnya (menjadi lebih
kecil lagi). Hal serupa terjadi untuk nilai gradient yang besar.
Berdasarkan pemaparan ini, RNN adalah teknik untuk merubah suatu
sekuens input, dimana xt merepresentasikan data ke-t (e.g., vektor, gam-
bar, teks) menjadi sebuah output vektor y. Vektor y dapat digunakan un-
tuk permasalahan lebih lanjut (buku ini memberikan contoh sequence to se-
quence pada subbab 13.4). Bentuk konseptual ini dapat dituangkan pada per-
samaan 13.3. Biasanya, nilai y dilewatkan kembali ke sebuah multi-layer per-
ceptron (MLP) dan fungsi softmax untuk melakukan klasifikasi akhir (final
output) dalam bentuk probabilitas, seperti pada persamaan 13.4.

y = RNN(x1 , · · · , xN ) (13.3)
9
https://www.coursera.org/learn/neural-networks-deep-learning/
lecture/4WdOY/computation-graph
 13.3 Part-of-speech Tagging Revisited 177

final output = softmax(MLP(y)) (13.4)

Perhatikan, arsitektur yang penulis deskripsikan pada subbab ini adalah
arsitektur paling dasar. Untuk arsitektur state-of-the-art, kamu dapat mem-
baca paper yang berkaitan.

13.3 Part-of-speech Tagging Revisited

Pada bab sebelumnya, kamu telah mempelajari konsep dasar recurrent neu-
ral network. Selain digunakan untuk klasifikasi (i.e., hidden state terakhir di-
gunakan sebagai input klasifikasi), RNN juga dapat digunakan untuk mem-
prediksi sekuens seperti persoalan part-of-speech tagging (POS tagging) [77,
78, 79]. Kami harap kamu masih ingat materi bab 8 yang membahas apa itu
persoalan POS tagging.
Diberikan sebuah sekuens kata x = {x1 , · · · , xT }, kita ingin mencari
sekuens output y = {y1 , · · · , yT } (sequence prediction); dimana yi adalah ke-
las kata untuk xi . Perhatikan, panjang input dan output adalah sama. Ingat
kembali bahwa pada persoalan POS tagging, kita ingin memprediksi suatu
kelas kata yang cocok yi dari kumpulan kemungkinan kelas kata C ketika
diberikan sebuah history seperti diilustrasikan oleh persamaan 13.5, dimana
ti melambangkan kandidat POS tag ke-i. Pada kasus ini, biasanya yang di-
cari tahu setiap langkah (unfolding) adalah probabilitas untuk memilih suatu
kelas kata t ∈ C sebagai kelas kata yang cocok untuk di-assign sebagai yi .
Ilustrasi diberikan oleh Gambar. 13.14.

y1 , · · · , yT = arg max P (t1 , · · · , tT | x1 , · · · , xT ) (13.5)

t1 ,··· ,tT ;ti ∈C

Gambar 13.14. POS tagging menggunakan RNN

Apabila kita melihat secara sederhana (markov assumption), hal ini tidak
lain dan tidak bukan adalah melakukan klasifikasi untuk setiap instance pada
sekuens input (persamaan 13.6). Pada setiap time step, kita ingin meng-
hasilkan output yang bersesuaian.
178 13 Arsitektur Neural Network

yi = arg max P (ti |xi ) (13.6)

ti ∈C

Akan tetapi, seperti yang sudah dibahas sebelum sebelumnya, markov as-
sumption memiliki kelemahan. Kelemahan utama adalah tidak menggunakan
keseluruhan history. Persoalan ini cocok untuk diselesaikan oleh RNN karena
kemampuannya untuk mengingat seluruh sekuens (berbeda dengan hidden
markov model (HMM) yang menggunakan markov assumption). Secara teori-
tis (dan juga praktis10 ), RNN lebih hebat dibanding HMM. Dengan ini, per-
soalan POS tagging (full history) diilustrasikan oleh persamaan 13.7.

yi = arg max P (ti |x1 , · · · , xT ) (13.7)

ti ∈C

Pada bab sebelumnya, kamu diberikan contoh persoalan RNN untuk satu
output; i.e., diberikan sekuens input, output-nya hanyalah satu kelas yang
mengkategorikan seluruh sekuens input. Untuk persoalan POS tagging, kita
harus sedikit memodifikasi RNN untuk menghasilkan output bagi setiap el-
emen sekuens input. Hal ini dilakukan dengan cara melewatkan setiap hid-
den layer pada RNN pada suatu jaringan (anggap sebuah MLP + softmax).
Kita lakukan prediksi kelas kata untuk setiap elemen sekuens input, kemu-
dian menghitung loss untuk masing-masing elemen. Seluruh loss dijumlahkan
untuk menghitung backpropagation pada RNN. Ilustrasi dapat dilihat pada
Gambar. 13.15. Tidak hanya untuk persoalan POS tagging, arsitektur ini da-
pat juga digunakan pada persoalan sequence prediction lainnya seperti named
entity recognition11 . Gambar. 13.15 mungkin agak sulit untuk dilihat, kami
beri bentuk lebih sederhananya (konseptual) pada Gambar. 13.16. Pada setiap
langkah, kita menentukan POS tag yang sesuai dan menghitung loss yang ke-
mudian digabungkan. Backpropagation dilakukan dengan mempertimbangkan
keseluruhan (jumlah) loss masing-masing prediksi.
Berdasarkan arsitektur yang sudah dijelaskan sebelumnya, prediksi POS
tag ke-i bersifat independen dari POS tag lainnya. Padahal, POS tag lain-
nya memiliki pengaruh saat memutuskan POS tag ke-i (ingat kembali materi
bab 8); sebagai persamaan 13.8.

yi = arg max P (ti | y1 , · · · , yi−1 , x1 , · · · , xi ) (13.8)

ti ∈C

Salah satu strategi untuk menangani hal tersebut adalah dengan mele-
watkan POS tag pada sebuah RNN juga, seperti para persamaan 13.9 [1] (ilus-
trasi pada Gambar. 13.17). Untuk mencari keseluruhan sekuens terbaik, kita
dapat menggunakan teknik beam search (detil penggunaan dijelaskan pada
subbab berikutnya). RNNx pada persamaan 13.9 juga lebih intuitif apabila
diganti menggunakan bidirectional RNN (dijelaskan pada subbab berikutnya).
10
Sejauh yang penulis ketahui. Tetapi hal ini bergantung juga pada variasi arsitek-
tur.
11
https://en.wikipedia.org/wiki/Named-entity_recognition
 13.4 Sequence to Sequence 179

Gambar 13.15. Sequence prediction menggunakan RNN

Gambar 13.16. Sequence prediction menggunakan RNN (disederhakan) [1]. Persegi

berwarna merah umumnya melambangkan multi-layer perceptron

P (ti | y1 , · · · , yi−1 , x1 , · · · , xi ) =
(13.9)
softmax(MLP([RNNx (x1 , · · · , xi ); RNNtag (t1 , · · · , ti−1 )]))

13.4 Sequence to Sequence

Pertama-tama, kami ingin mendeskripsikan kerangka conditioned genera-
tion. Pada kerangka ini, kita ingin memprediksi sebuah kelas yi berdasarkan
kelas yang sudah di-hasilkan sebelumnya (history yaitu y1 , · · · , yi−1 ) dan se-
buah conditioning context c (berupa vektor).
Arsitektur yang dibahas pada subbab ini adalah variasi RNN untuk per-
masalahan sequence generation 12 . Diberikan sekuens input x = (x1 , · · · , xT ).
12
Umumnya untuk bidang pemrosesan bahasa alami.
180 13 Arsitektur Neural Network

Gambar 13.17. Sequence prediction menggunakan RNN (disederhakan). Persegi

melambangkan RNN

Kita ingin mencari sekuens output y = (y1 , · · · , yM ). Pada subbab sebelum-

nya, xi berkorespondensi langsung dengan yi ; i.e., yi adalah kelas kata (kate-
gori) untuk xi . Tetapi, pada permasalahan saat ini, xi tidak langsung berko-
respondensi dengan yi . Setiap yi dikondisikan oleh seluruh sekuens input x;
i.e., conditioning context dan history {y1 , · · · , yi−1 }. Panjang sekuens output
M tidak mesti sama dengan panjang sekuens input T . Permasalahan ini ma-
suk ke dalam kerangka conditioned generation dimana keseluruhan input x
dapat direpresentasikan menjadi sebuah vektor c (coding). Vektor c ini men-
jadi variabel pengkondisi untuk menghasilkan output y.
Pasangan input-output dapat melambangkan teks bahasa X-teks bahasa Y
(translasi), teks-ringkasan, kalimat-paraphrase, dsb. Artinya ada sebuah input
dan kita ingin menghasilkan (generate/produce) sebuah output yang cocok
untuk input tersebut. Hal ini dapat dicapai dengan momodelkan pasangan
input-output p(y | x). Umumnya, kita mengasumsikan ada kumpulan pa-
rameter θ yang mengontrol conditional probability, sehingga kita transformasi
conditional probability menjadi p(y | x, θ). Conditional probability p(y | x, θ)
dapat difaktorkan sebagai persamaan 13.10. Kami harap kamu mampu mem-
bedakan persamaan 13.10 dan persamaan 13.5 (dan 13.8) dengan jeli. Sedikit
perbedaan pada formula menyebabkan makna yang berbeda. Objektif train-
ing adalah untuk meminimalkan loss function, sebagai contoh berbentuk log
likelihood function diberikan pada persamaan 13.11, dimana D melambangkan
training data 13 .
M
Y
p(y | x, θ) = p(yt | {y1 , . . . , yt−1 }, x, θ), (13.10)
t=1
X
L(θ) = − log p(y | x, θ) (13.11)
{x,y}∈D

13
Ingat kembali materi cross entropy!
 13.4 Sequence to Sequence 181

Persamaan 13.10 dapat dimodelkan dengan encoder-decoder model yang

terdiri dari dua buah RNN dimana satu RNN sebagai encoder, satu lagi se-
bagai decoder. Neural Network, pada kasus ini, bertindak sebagai controlling
parameter θ. Ilustrasi encoder-decoder dapat dilihat pada Gambar. 13.18.
Gabungan RNN encoder dan RNN decoder ini disebut sebagai bentuk se-
quence to sequence. Warna biru merepresentasikan encoder dan warna
merah merepresentasikan decoder. “<EOS>” adalah suatu simbol spesial (un-
tuk praktikalitas) yang menandakan bahwa sekuens input telah selesai dan
saatnya berpindah ke decoder.

Gambar 13.18. Konsep encoder -decoder [76]

Sebuah encoder merepresentasikan sekuens input x menjadi satu vektor

c14 . Kemudian, decoder men-decode representasi c untuk menghasilkan (gen-
erate) sebuah sekuens output y. Perhatikan, arsitektur kali ini berbeda den-
gan arsitektur pada subbab 13.3. Encoder-decoder (neural network ) bertin-
dak sebagai kumpulan parameter θ yang mengatur conditional probability.
Encoder-decoder juga dilatih menggunakan prinsip gradient-based optimiza-
tion untuk tuning parameter yang mengkondisikan conditional probability [76].
Dengan ini, persamaan 13.10 sudah didefinisikan sebagai neural network se-
bagai persamaan 13.12. “enc” dan “dec” adalah fungsi encoder dan decoder,
yaitu sekumpulan transformasi non-linear.

yt = dec({y1 , · · · , yt−1 }, enc(x), θ) (13.12)

Begitu model dilatih, encoder -decoder akan mencari output ŷ terbaik untuk
suatu input x, dillustrasikan pada persamaan 13.13. Masing-masing komponen
encoder -decoder dibahas pada subbab-subbab berikutnya. Untuk abstraksi
yang baik, penulis akan menggunakan notasi aljabar linear. Kami harap pem-
baca sudah familiar dengan representasi neural network menggunakan notasi
aljabar linear seperti yang dibahas pada bab 11.

ŷ = arg max p(y | x, θ) (13.13)

y

14
Ingat kembali bab 12 untuk mengerti kenapa hal ini sangat diperlukan.
182 13 Arsitektur Neural Network

13.4.1 Encoder

Seperti yang sudah dijelaskan, encoder mengubah sekuens input x menjadi

satu vektor c. Suatu data point pada sekuens input xt (e.g., kata, gambar,
suara, dsb) umumnya direpresentasikan sebagai feature vector et . Dengan
demikian, encoder dapat direpresentasikan dengan persamaan 13.14

ht = f (ht−1 , et )
(13.14)
= f (ht−1 U + et W)

dimana f adalah fungsi aktivasi non-linear; U dan W adalah matriks bobot

(weight matrices–merepresentasikan synapse weights).
Representasi input c dihitung dengan persamaan 13.15, yaitu sebagai
weighted sum dari hidden states [52], dimana q adalah fungsi aktivasi non-
linear. Secara lebih sederhana, kita boleh langsung menggunakan hT sebagai
c [76].

c = q({h1 , · · · , hT }) (13.15)
Walaupun disebut sebagai representasi keseluruhan sekuens input, infor-
masi awal pada input yang panjang dapat hilang. Artinya c lebih banyak
memuat informasi input ujung-ujung akhir. Salah satu strategi yang dapat
digunakan adalah dengan membalik (reversing) sekuens input. Sebagai con-
toh, input x = (x1 , · · · , xT ) dibalik menjadi (xT , · · · , x1 ) agar bagian awal
(· · · , x2 , x1 ) lebih dekat dengan decoder [76]. Informasi yang berada dekat den-
gan decoder cenderung lebih diingat. Kami ingin pembaca mengingat bahwa
teknik ini pun tidaklah sempurna.

13.4.2 Decoder

Seperti yang sudah dijelaskan sebelumnya, encoder memproduksi sebuah

vektor c yang merepresentasikan sekuens input. Decoder menggunakan rep-
resentasi ini untuk memproduksi (generate) sebuah sekuens output y =
(y1 , · · · , yM ), disebut sebagai proses decoding . Mirip dengan encoder, kita
menggunakan RNN untuk menghasilkan output seperti diilustrasikan pada
persamaan 13.16.

h0t = f (h0t−1 , e0t−1 , c)

(13.16)
= f (h0t−1 H + e0t−1 E + cC)

dimana f merepresentasikan fungsi aktivasi non-linear; H, E, dan C merep-

resentasikan weight matrices. Hidden state h0t melambangkan distribusi prob-
abilitas suatu objek (e.g., POS tag, kelas kata yang berasal dari suatu
himpunan) untuk menjadi output yt . Umumnya, yt adalah dalam bentuk
feature-vector e0t .
 13.4 Sequence to Sequence 183

Dengan penjelasan ini, mungkin pembaca berpikir Gambar. 13.18 tidak

lengkap. Kamu benar! Penulis sengaja memberikan gambar simplifikasi. Gam-
bar lebih lengkap (dan lebih nyata) diilustrasikan pada Gambar. 13.19.

Gambar 13.19. Konsep encoder -decoder (full )

Kotak berwarna ungu dan hijau dapat disebut sebagai lookup matrix atau
lookup table. Tugas mereka adalah mengubah input xt menjadi bentuk feature
vector -nya (e.g., word embedding) dan mengubah e0t menjadi yt (e.g., word
embedding menjadi kata). Komponen “Beam Search” dijelaskan pada subbab
berikutnya.

13.4.3 Beam Search

Kita ingin mencari sekuens output yang memaksimalkan nilai probabilitas

pada persamaan 13.13. Artinya, kita ingin mencari output terbaik. Pada su-
atu tahapan decoding, kita memiliki beberapa macam kandidat objek untuk
dijadikan output. Kita ingin mencari sekuens objek sedemikian sehingga prob-
abilitas akhir sekuens objek tersebut bernilai terbesar sebagai output. Hal ini
dapat dilakukan dengan algoritma Beam Search 15 .
Secara sederhana, algoritma Beam Search mirip dengan algoritma Viterbi
yang sudah dijelaskan pada bab 8, yaitu algoritma untuk mencari sekuens
dengan probabilitas tertinggi. Perbedaannya terletak pada heuristic. Untuk
15
https://en.wikipedia.org/wiki/Beam_search
16
https://en.wikibooks.org/wiki/Artificial_Intelligence/Search/
Heuristic_search/Beam_search
184 13 Arsitektur Neural Network

beamSearch(problemSet, ruleSet, memorySize)

openMemory = new memory of size memorySize
nodeList = problemSet.listOfNodes
node = root or initial search node
add node to OpenMemory;
while(node is not a goal node)
delete node from openMemory;
expand node and obtain its children, evaluate those children;
if a child node is pruned according to a rule in ruleSet, delete it;
place remaining, non-pruned children into openMemory;
if memory is full and has no room for new nodes, remove the worst
node, determined by ruleSet, in openMemory;
node = the least costly node in openMemory;

Gambar 13.20. Beam Search 16

menghemat memori komputer, algoritma Beam Search melakukan ekspansi

terbatas. Artinya mencari hanya beberapa (B) kandidat objek sebagai sekuens
berikutnya, dimana beberapa kandidat objek tersebut memiliki probabilitas
P (yt | yt−1 ) terbesar. B disebut sebagai beam-width. Algoritma Beam Search
bekerja dengan prinsip yang mirip dengan best-first search (best-B search)
yang sudah kamu pelajari di kuliah algoritma atau pengenalan kecerdasan
buatan17 . Pseudo-code Beam Search diberikan pada Gambar. 13.20 (direct
quotation).

13.4.4 Attention-based Mechanism

Seperti yang sudah dijelaskan sebelumnya, model encoder -decoder memiliki

masalah saat diberikan sekuens yang panjang (vanishing atau exploding gra-
dient problem). Kinerja model dibandingkan dengan panjang input kurang
lebih dapat diilustrasikan pada Gambar. 13.21. Secara sederhana, kinerja
model menurun seiring sekuens input bertambah panjang. Selain itu, rep-
resentasi c yang dihasilkan encoder harus memuat informasi keseluruhan in-
put walaupun sulit dilakukan. Ditambah lagi, decoder menggunakan repre-
sentasinya c saja tanpa boleh melihat bagian-bagian khusus input saat de-
coding. Hal ini tidak sesuai dengan cara kerja manusia, misalnya pada kasus
translasi bahasa. Ketika mentranslasi bahasa, manusia melihat bolak-balik
bagian mana yang sudah ditranslasi dan bagian mana yang sekarang (di-
fokuskan) untuk ditranslasi. Artinya, manusia berfokus pada suatu bagian
input untuk menghasilkan suatu translasi.
Sudah dijelaskan sebelumnya bahwa representasi sekuens input c adalah
sebuah weighted sum. c yang sama digunakan sebagai input bagi decoder un-
tuk menentukan semua output. Akan tetapi, untuk suatu tahapan decoding
(untuk hidden state h0t tertentu), kita mungkin ingin model lebih berfokus
pada bagian input tertentu daripada weighted sum yang sifatnya generik. Ide
ini adalah hal yang mendasari attention mechanism [52, 53]. Ide ini sangat

17
https://www.youtube.com/watch?v=j1H3jAAGlEA&t=2131s
 13.4 Sequence to Sequence 185

Gambar 13.21. Permasalahan input yang panjang

berguna pada banyak aplikasi pemrosesan bahasa alami. Attention mecha-

nism dapat dikatakan sebagai suatu soft alignment antara input dan output.
Mekanisme ini dapat membantu mengatasi permasalahan input yang panjang,
seperti diilustrasikan pada Gambar. 13.22.

Gambar 13.22. Menggunakan vs. tidak menggunakan attention

Dengan menggunakan attention mechanism, kita dapat mentransformasi

persamaan 13.16 pada decoder menjadi persamaan 13.17

h0t = f 0 (h0t−1 , e0t−1 , c, kt ) (13.17)

186 13 Arsitektur Neural Network

dimana kt merepresentasikan seberapa (how much) decoder harus mem-

fokuskan diri ke hidden state tertentu pada encoder untuk menghasilkan out-
put saat ke-t. kt dapat dihitung pada persamaan 13.18

T
X
kt = αt,i hi
i=1 (13.18)
exp(hi · h0t−1 )
αt,i = PT
z=1 exp(hz · h0t−1 )

dimana T merepresentasikan panjang input, hi adalah hidden state pada en-

coder pada saat ke-i, h0t−1 adalah hidden state pada decoder saat ke t − 1.
Sejatinya kt adalah sebuah weighted sum. Berbeda dengan c yang berni-
lai sama untuk setiap tahapan decoding, weight atau bobot (αt,i ) masing-
masing hidden state pada encoder berbeda-beda untuk tahapan decoding
yang berbeda. Perhatikan Gambar. 13.23 sebagai ilustrasi (lagi-lagi, bentuk
encoder -decoder yang disederhanakan). Terdapat suatu bagian grafik yang
menunjukkan distribusi bobot pada bagian input representation dan atten-
tion. Distribusi bobot pada weighted sum c adalah pembobotan yang bersifat
generik, yaitu berguna untuk keseluruhan (rata-rata) kasus. Masing-masing
attention (semacam layer semu) memiliki distribusi bobot yang berbeda pada
tiap tahapan decoding. Walaupun attention mechanism sekalipun tidak sem-
purna, ide ini adalah salah satu penemuan yang sangat penting.

Gambar 13.23. Encoder -decoder with attention

Seperti yang dijelaskan pada bab 11 bahwa neural network susah untuk
dimengerti. Attention mechanism adalah salah satu cara untuk mengerti neu-
 13.4 Sequence to Sequence 187

ral network. Contoh yang mungkin lebih mudah dipahami diberikan pada
Gambar. 13.24 yang merupakan contoh kasus mesin translasi [52]. Attention
mechanism mampu mengetahui soft alignment, yaitu kata mana yang harus
difokuskan saat melakukan translasi bahasa (bagian input mana berbobot
lebih tinggi). Dengan kata lain, attention mechanism memberi interpretasi
kata pada output berkorespondensi dengan kata pada input yang mana. Seba-
gai informasi, menemukan cara untuk memahami (interpretasi) ANN adalah
salah satu tren riset masa kini [51].

Gambar 13.24. Attention mechanism pada translasi bahasa [52]. Warna lebih
gelap merepresentasikan bobot (fokus/attention) lebih tinggi. Sebagai contoh, kata
“menendang” berkorespondensi paling erat dengan kata “kicks”

13.4.5 Variasi Arsitektur Sequence to Sequence

Selain RNN, kita juga dapat menggunakan bidirectional RNN (BiRNN) un-
tuk mengikutsertakan pengaruh baik hidden state sebelum (h1 , · · · , ht−1 ) dan
setelah (ht+1 , · · · , hT ) untuk menghitung hidden state sekarang (ht ) [80, 81,
82]. BiRNN menganggap ht sebagai gabungan (concatenation) forward hid-
den state h→ ←
t dan backward hidden state ht , ditulis sebagai ht = ht + ht
→ ← 18
.
Forward hidden state dihitung seperti RNN biasa yang sudah dijelaskan pada
subbab encoder, yaitu h→ t = f (h→
t−1 , et ).. Backward hidden state dihitung
dengan arah terbalik ht = f (h←
←
t+1 et ). Ilustrasi encoder -decoder yang meng-
,
gunakan BiRNN dapat dilihat pada Gambar. 13.25.
Selain variasi RNN menjadi BiRNN kita dapat menggunakan stacked RNN
seperti pada Gambar. 13.26 dimana output pada RNN pertama bertindak
sebagai input pada RNN kedua. Hidden states yang digunakan untuk meng-
hasilkan representasi encoding adalah RNN pada tumpukan paling atas. Kita
juga dapat menggunakan variasi attention mechanism seperti neural check-
list model [83] atau graph-based attention [84]. Selain yang disebutkan, masih
banyak variasi lain yang ada, silahkan eksplorasi lebih lanjut sendiri.

13.4.6 Rangkuman

Sequence to sequence adalah salah satu bentuk conditioned generation. Artinya,

menggunakan RNN untuk menghasilkan (generate) suatu sekuens output yang
18
Perhatikan! + disini dapat diartikan sebagai penjumlahan atau konkatenasi
188 13 Arsitektur Neural Network

Gambar 13.25. Encoder -decoder dengan BiRNN

Gambar 13.26. Encoder -decoder dengan stacked RNN

dikondisikan oleh variabel tertentu. Diktat ini memberikan contoh bagaimana

menghasilkan suatu sekuens output berdasarkan sekuens input (conditioned
on a sequence of input). Selain input berupa sekuens, konsep ini juga dapat
diaplikasikan pada bentuk lainnya. Misalnya, menghasilkan caption saat input
yang diberikan adalah sebuah gambar [85]. Kita ubah encoder menjadi sebuah
CNN (ingat kembali subbab 13.1) dan decoder berupa RNN [85]. Gabungan
CNN-RNN tersebut dilatih bersama menggunakan metode backpropagation.
 13.7 Topik Khusus: Multi-task Learning 189

Perhatikan, walaupun memiliki kemiripan dengan hidden markov model,

sequence to sequence bukanlah generative model. Pada generative model, kita
ingin memodelkan joint probability p(x, y) = p(y | x)p(x) (walaupun secara
tidak langsung, misal menggunakan teori Bayes). Sequence to sequence adalah
discriminative model walaupun output-nya berupa sekuens, ia tidak memo-
delkan p(x), berbeda dengan hidden markov model. Kita ingin memodelkan
conditional probability p(y | x) secara langsung, seperti classifier lainnya (e.g.,
logistic regression). Jadi yang dimodelkan antara generative dan discrimina-
tive model adalah dua hal yang berbeda.

13.5 Arsitektur Lainnya

Selain arsitektur yang sudah dipaparkan, masih banyak arsitektur lain baik
bersifat generik (dapat digunakan untuk berbagai karakteristik data) maupun
spesifik (cocok untuk data dengan karakteristik tertentu atau permasalahan
tertentu) sebagai contoh, Restricted Boltzman Machine 19 dan Generative Ad-
versarial Network (GAN)20 . Saat buku ini ditulis, GAN dan adversarial train-
ing sedang populer.

13.6 Architecture Ablation

Pada bab 9, kamu telah mempelajari feature ablation, yaitu memilih-milih
elemen pada input (untuk dibuang), sehingga model memiliki kinerja opti-
mal. Pada neural network, proses feature engineering mungkin tidak sepenting
pada model-model yang sudah kamu pelajari sebelumnya (e.g., model linear)
karena ia dapat memodelkan interaksi yang kompleks dari seluruh elemen
input. Pada neural network, masalah yang muncul adalah memilih arsitektur
yang tepat, seperti menentukan jumlah hidden layers (dan berapa unit). Con-
toh lain adalah memilih fungsi aktivasi yang cocok. Walaupun nueral network
memberikan kita kemudahan dari segi pemilihan fitur, kita memiliki kesuli-
tan dalam menentukan arsitektur. Terlebih lagi, alasan pemilih suatu jumlah
units pada suatu layer (e.g., 512 dibanding 256 units) mungkin tidak dapat
dijustifikasi dengan sangat akurat. Pada feature ablation, kita dapat menjus-
tifikasi alasan untuk menghilangkan suatu fitur. Pada neural network, kita
susah menjelaskan alasan pemilihan karena search space-nya jauh lebih besar.

13.7 Topik Khusus: Multi-task Learning

Subbab ini akan menjelaskan framework melatih model pembelajaran mesin
menggunakan multi -task learning (MTL). Walaupun konsep MTL tidak ter-
batas pada neural network, bab ini membahas konsep tersebut menggunakan
19
https://deeplearning4j.org/restrictedboltzmannmachine
20
https://deeplearning4j.org/generative-adversarial-network
190 13 Arsitektur Neural Network

arsitektur neural network sebagai contoh (karena itu dimasukkan ke dalam

bab ini). Kami hanya memberikan penjelasan paling inti MTL menggunakan
contoh yang sederhana.
Pada MTL, kita melatih model untuk mengerjakan beberapa hal yang
mirip sekaligus. Misalnya, melatih POS tagger dan named-entity recogni-
tion [86], mesin penerjemah untuk beberapa pasangan bahasa [87], klasifikasi
teks [88] dan discourse parsing [89]. Karena model dilatih untuk tasks yang
mirip, kita berharap agar model mampu mendapatkan “intuisi” untuk menye-
lesaikan permasalahan. “Intuisi” tersebut dapat diaplikasikan pada beberapa
task.
Perhatikan Gambar 13.27, ilustrasi permasalahan POS tagging. Diberikan
input sekuens kata x, kita ingin mencari sekuens tag y terbaik untuk melam-
bangkan kelas tiap kata. Kami harap kamu masih ingat definisi permasalahan
tersebut karena sudah dibahas pada bab-bab sebelumnya. Kita ingin mem-
odelkan conditional probability p(y | x, θ). POS tagging adalah salah satu
sequence tagging task, dimana setiap elemen input berkorespondensi dengan
elemen output. Kita dapat melatih model BiRNN ditambah dengan MLP un-
tuk melakukan prediksi kelas kata.

Gambar 13.27. POS tagger

Sekarang kamu perhatikan Gambar 13.28 yang mengilustrasikan named

entity recognition task (NER). Named entity secara sederhana adalah objek
yang bernama, misal lokasi geografis, nama perusahaan, dan nama orang.
Pada NER, kita ingin mengekstrasi named entity yang ada pada input. Task
ini biasanya direpresentasikan dengan BIO coding scheme. Artinya, output
untuk NER adalah pilihan B (begin), I (inside) dan O (outside). Apabila suatu
kata adalah kata pertama dari suatu named entity, kita mengasosiasikannya
dengan output B. Apabila suatu kata adalah bagian dari named entity, tetapi
bukan kata pertama, maka diasosiasikan dengan output I. Selain keduanya,
diasosiasikan dengan output O. Seperti POS tagging, NER juga merupakan
sequence tagging karena kita ingin memodelkan p(y | x, θ) untuk x adalah
input dan y adalah output (BIO).
POS tagging dan NER dianggap sebagai task yang “mirip” karena kedu-
anya memiliki cara penyelesaian masalah yang mirip. Selain dapat diselesaikan
dengan cara yang mirip, kedua task tersebut memiliki nature yang sama. Den-
gan alasan ini, kita dapat melatih model untuk POS tagging dan NER den-
 13.7 Topik Khusus: Multi-task Learning 191

Gambar 13.28. Named Entity Recognition

gan kerangka multi -task learning. Akan tetapi, menentukan apakah dua task
memiliki nature yang mirip ibarat sebuah seni (butuh sense) dibanding hard
science [1].

Gambar 13.29. Multi-task Learning untuk POS tagging dan NER

Ide utama MTL adalah melatih shared model /shared representa-

tion. Sebagai ilustrasi, perhatikan Gambar 13.29. Sebelumnya, kita melatih
dua model dengan BiRNN yang dilewatkan pada MLP. Pada saat ini, kita
melatih BiRNN yang dianggap sebagai shared representation. BiRNN dihara-
pkan memiliki “intuisi” untuk menyelesaikan kedua permasalahan, berhubung
keduanya memiliki nature yang sama. Setiap hidden layer pada BiRNN dile-
watkan pada MLP untuk melakukan prediksi pada masing-masing task. Tu-
juan utama MTL adalah untuk meningkatkan kinerja. Kita melatih model
untuk task X dengan meminjam “intuisi” penyelesaikan dari task Y dengan
harapan “intuisi” yang dibawa dari task Y dapat memberikan informasi tam-
bahan untuk penyelesaian task X.
Perhatikan contoh berikutnya tentang MTL pada mesin translasi (Gam-
bar 13.30). Pada permasalahan mesin translasi, kita melatih model menggu-
nakan data paralel kombinasi pasangan bahasa X-Y . Penggunaan MTL pada
mesin mesin translasi pada umumnya dimotivasi oleh dua alasan.
• Pada kombinasi pasangan bahasa tertentu, tersedia dataset dengan jum-
lah yang banyak. Tetapi, bisa jadi kita hanya memiliki dataset berukuran
kecil untuk bahasa tertentu. Sebagai contoh, data mesin translasi untuk
pasangan English-Dutch lebih besar dibanding English-Indonesia. Karena
kedua kombinasi pasangan bahasa memiliki nature yang cukup sama,
kita dapat menggunakan MTL sebagai kompensasi data English-Indonesia
yang sedikit agar model pembelajaran bisa konvergen. Dalam artian, en-
192 13 Arsitektur Neural Network

Gambar 13.30. Multi-task Learning pada mesin translasi

coder yang dilatih menggunakan sedikit data kemungkinan memiliki per-

forma yang kurang baik. Dengan ini, kita pre-train suatu encoder meng-
gunakan data English-Dutch (sehingga ia konvergen, dapat meng-encode
bahasa Inggris dengan baik), kemudian kita latih kembali encoder terse-
but pada pasangan English-Indonesia.
• Seperti yang sudah dijelaskan sebelumnya, kita ingin menggunakan “in-
tuisi” penyelesaian suatu permasalahan untuk permasalahan lainnya,
berhubung solusinya keduanya mirip. Dengan hal ini, kita harap kita
mampu meningkatkan kinerja model. Sebagai contoh, kombinasi pasangan
bahasa English-Japanese dan English-Korean, berhubung bahasa target
memiliki struktur yang mirip.
Pada kerangka MTL, utility function atau objektif training adalah mem-
inimalkan joint loss semua tasks, diberikan pada persamaan 13.19. Kita da-
pat mendefinisikan loss pada kerangka MTL sebagai penjumlahan loss pada
masing-masing task, seperti pada persamaan 13.20. Apabila kita mengganggap
suatu task lebih penting dari task lainnya, kita dapat menggunakan weighted
sum, seperti pada persamaan 13.21. Kita juga dapat menggunakan dynamic
weighting untuk memperhitungkan uncertainty pada tiap task, seperti pada
persamaan 13.22 [90], dimana σ melambangkan varians task-specific loss.

LMTL = q(Li , ...LT ) (13.19)

T
X
q(Li , ...LT ) = Li (13.20)
i
 13.7 Topik Khusus: Multi-task Learning 193
T
X
q(Li , ...LT ) = αi Li (13.21)
i
T
X 1 2
q(Li , ...LT ) =
2σ 2 Li + ln2σi (13.22)
i i

Saat melatih MTL, tujuan training dapat mempengaruhi proses penya-

jian data. Seumpama saat melatih mesin translasi untuk English-{Chinese,
Japanese, Korean}, kita ingin menganggap English-Korean sebagai main task
sementara sisanya sebagai supporting task, kita dapat melakukan pre-training
menggunakan data English-Chinese dan English-Japanese terlebih dahulu, di-
ikuti oleh English-Korean. Pada kasus ini, penggunaan joint weighted loss da-
pat dijustifikasi. Di lain pihak, apabila kita mengganggap semua tasks pent-
ing, kita dapat melakukan data shuffling sehingga urutan training data tidak
bias pada task tertentu. Pada kasus ini, penggunaan joint loss–sum dapat
dijustifikasi. Ilustrasi diberikan pada Gambar 13.31.

Gambar 13.31. Multi-task Learning setup

Soal Latihan
13.1. POS tagging
Pada subbab 13.3, disebutkan bahwa bidirectional recurrent neural network
lebih cocok untuk persoalan POS tagging. Jelaskan mengapa! (hint pada
bab 8)
13.2. Eksplorasi
Jelaskanlah pada teman-temanmu apa dan bagaimana prinsip kerja:
(a) Boltzman Machine
(b) Restricted Boltzman Machine
 Bagian IV

Aplikasi dan Topik Tambahan

14
Penerapan Pembelajaran Mesin

“Leading is not the same as

being the leader. Being the
leader means you hold the
highest rank, either by earning
it, good fortune or navigating
internal politics. Leading,
however, means that others
willingly follow you – not
because they have to, not
because they are paid to, but
because they want to.”

Simon Sinek

Bab ini memuat contoh penggunaan machine learning untuk dua per-
masalahan praktis yaitu: (1) sistem rekomendasi dan (2) sistem peringkasan
dokumen. Dua domain ini dipilih karena tidak asing (familiar ) bagi penulis.
Seperti yang sudah dideskripsikan pada bab-bab sebelumnya, penerapan ma-
chine learning pada suatu domain membutuhkan pengetahuan/keahlian pada
domain tersebut. Bab ini tidak akan membahas domain secara detail, tetapi se-
cara abstrak (bertujuan memberikan gambaran/pengenalan). Untuk mengerti
domain yang dibahas secara mendalam, silakan membaca sumber lainnya.
Bab ini akan memuat secara sangat singkat, apa guna machine learning dan
pada contoh kasus seperti apa teknik machine learning diterapkan pada suatu
domain permasalahan. Tujuan bab ini adalah untuk memberikan gambaran,
bahwa mengetahui machine learning saja mungkin tidak cukup. Sekali lagi
kami ingin menekankan, pembaca harus mengerti domain aplikasi.
198 14 Penerapan Pembelajaran Mesin

14.1 Sistem Rekomendasi

Bagian sistem rekomendasi ditulis oleh Candy Olivia Mawalim (Japan
Advanced Institute of Science and Technology). Kami ingin berterima kasih
atas sumbangsih yang diberikan.
Salah satu penerapan pembelajaran mesin adalah sistem rekomendasi. Sis-
tem rekomendasi dimotivasi oleh keinginan pemilik usaha untuk meningkatkan
penjualan dengan cara mengerti pola pembelian pengguna. Aplikasi yang me-
manfaatkan sistem rekomendasi dapat kita temukan dalam kehidupan sehari-
hari, misalnya Youtube yang memberikan rekomendasi video berdasarkan ri-
wayat video yang telah kita lihat sebelumnya dan Amazon yang merekomen-
dasikan produknya dengan cara menawarkan produk yang sering dibeli peng-
guna lain yang memiliki karakteristik yang “mirip” dengan kita. Ada dua
komponen penting pada sistem rekomendasi yaitu: pengguna dan item. Peng-
guna adalah sang pengguna sistem, sementara item dapat berupa video, buku,
dan lain sebagainya (produk/layanan yang ditawarkan sistem).
Secara umum, terdapat dua teknik untuk membangun sistem rekomendasi
yaitu: (1) content-based filtering dan (2) collaborative filtering. Teknik pertama
berfokus pada karakteristik pengguna secara spesifik. Teknik kedua berfokus
pada selera terhadap suatu item. Dalam sistem rekomendasi, teknik machine
learning dapat digunakan untuk memprediksi item yang disukai pengguna.
Dua subbab berikutnya memuat aplikasi teknik machine learning untuk kedua
teknik sistem rekomendasi( 14.1.1 dan 14.1.2).

14.1.1 Content-based Filtering

Teknik membangun sistem rekomendasi berdasarkan content-based filtering

memanfaatkan informasi mengenai profil seorang pengguna beserta uraian
item yang sangat menarik bagi pengguna tersebut [91]. Profil pengguna di-
artikan sebagai karakteristik (atribut dan behavior ) yang dimiliki pengguna.
Atribut pengguna misalnya gender, kewarganegaraan, umur, dan lain-lain. In-
formasi mengenai behavior mencakup karakteristik item yang seorang peng-
guna sukai. Misalkan item adalah film, karakteristik film dapat ditentukan
dari aktor yang terlibat dalam film, pembuat film, tahun pembuatan film,
dan genre dari film (misalnya action, horror, comedy). Dengan karateristik
ini, kita dapat menentukan kemiripan antar-film.
Kedua informasi ini dapat direpresentasikan sebagai vektor (ekuivalen den-
gan feature vector ) agar mudah untuk dilakukan operasi aritmatika, dikenal
dengan istilah user embedding dan item embedding . Cara melakukan em-
bedding untuk profil pengguna dan uraian item mirip dengan cara word em-
bedding yang telah dijelaskan pada subbab 12.5.3–one-hot encoding.
Rekomendasi item yang diberikan pada pengguna adalah item yang pal-
ing mungkin disukai pengguna berdasarkan karakteristiknya. Agar mendapat
gambaran lebih jelas, penulis mengajak pembaca untuk mengikuti tutorial
 14.1 Sistem Rekomendasi 199

pembuatan sistem rekomendasi film sangat sederhana menggunakan dataset

MovieLens 1 berukuran kecil (100K). Dataset ini memuat berbagai informasi
sebagai berikut:
1. Informasi rating pengguna untuk masing-masing film.
2. Informasi film, misalkan berupa genre dan tanggal release.
3. Demografik pengguna, misal usia, gender, pekerjaan, dan lain lain.
Untuk menyederhanakan tutorial, kami hanya akan menjelaskan contoh peng-
gunaan genre film untuk membuat sistem rekomendasi. Pertama-tama, kita
bangun representasi item embedding, yaitu genre untuk masing-masing film
(Tabel 14.1). Setiap baris pada tabel tersebut merepresentasikan item embed-
ding untuk suatu film. Perhatikan! Setiap sel pada tabel diisi nilai “1” apabila
film memiliki genre yang tertera pada kolom bersesuaian, “0” apabila tidak.

MovieId Adventure Animation Children Comedy

6 1 1 1 1
22 1 0 1 0
50 0 0 0 1
Tabel 14.1. Representasi item embedding untuk film berdasarkan genre

Kedua, kita bangun representasi user embedding, yaitu apakah pengguna

menyukai suatu film atau tidak (biner). Suka atau tidaknya pengguna ter-
hadap suatu film dapat dilihat berdasarkan rating yang ia berikan. Sebagai
contoh sederhana, kita anggap apabila pengguna menyukai suatu film apabila
memberi nilai rating lebih dari atau sama dengan 4. Sebagai contoh, per-
hatikan Tabel 14.2. Apabila user menyukai suatu film, nilai “1” diisi pada
kolom Like or Not, dan “0” apabila sebaliknya.

UserId MovieId Like or Not

1 6 0
1 22 0
1 50 1
Tabel 14.2. Representasi user embedding berdasarkan rating yang diberikan peng-
guna

Berdasarkan item embedding dan user embedding yang kita punya, kita
ganti kolom MovieId pada Tabel 14.2 menggunakan baris pada item embed-
ding. Sekarang, kita memiliki dataset behavior pengguna dengan UserId =
1 (Tabel 14.3). Perhatikan! Tabel tersebut seperti dataset machine learning
1
https://grouplens.org/datasets/movielens/
200 14 Penerapan Pembelajaran Mesin

yang sudah kamu pelajari pada bab-bab sebelumnya. Diberikan feature vector
dan kelas (Like or Not) yang berkorespondensi. Menggunakan data seperti

MovieId Adventure Animation Children Comedy Like or Not

6 1 1 1 1 0
22 1 0 1 0 0
50 0 0 0 1 1
Tabel 14.3. Dataset behavior pengguna dengan UserId = 1

pada Tabel 14.3 yang dirata-ratakan, kita dapat menggunakan teknik machine
learning untuk memprediksi apakah suatu pengguna akan menyukai film ter-
tentu, berdasarkan genre yang dimuat oleh film tersebut. Sederhananya, bisa
menggunakan K-nearest-neighbor dengan menghitung cosine similarity an-
tara item embedding dan user embedding.
Teknik content-based filtering memiliki keunggulan dimana kita tidak
memerlukan banyak informasi tentang pengguna lain. Kita hanya memerlukan
informasi uraian item dan informasi karakteristik suatu pengguna. Hal ini
mengakibatkan rekomendasi yang diberikan sangat bergantung pada keprib-
adian pengguna. Apabila pengguna tidak konsisten, sistem rekomendasi juga
bingung.

14.1.2 Collaborative Filtering

Teknik ini diperkenalkan oleh Paul Resnick dan Hal Varian pada 1997 [92].
Prinsip collaborative filtering adalah asumsi bahwa selera penggunaan ter-
hadap suatu item cenderung sama dari waktu ke waktu [93]. Pada contoh
kasus sederhana untuk sistem rekomendasi film, teknik ini memanfaatkan in-
formasi rating dari banyak pengguna. Kita dapat merepresentasikan tingkah
laku (behaviour ) semua pengguna menggunakan matriks utilitas dimana baris
merepresentasikan profil pengguna dan kolom merepresentasikan item. Seba-
gai contoh, perhatikanlah Tabel 14.4.

item 1 item 2 . . . item N

user 1 2 3 ... 4
user 2 5 3 ... 1
...
user 3 4 1 ... 2
Tabel 14.4. Matriks utilitas

Ada dua metode varian collaborative filtering yaitu: (1) neighborhood-based

collaborative filtering (memory-based method ) dan (2) model-based collabora-
 14.2 Peringkasan Dokumen 201

tive filtering. Method neighborhood-based collaborative filtering bekerja den-

gan fakta bahwa pengguna yang “mirip” memiliki pola yang “mirip” dalam
memberikan rating untuk item [94] (pada Tabel 14.4, pengguna yang mirip
memiliki baris yang mirip). Selain itu, item yang memiliki kemiripan, akan
memiliki pola rating yang mirip (pada Tabel 14.4, item yang mirip memiliki
kolom yang mirip). Dengan itu, kita dapat menggunakan perhitungan kemiri-
pan vektor untuk menghitung pengguna mana yang mirip dengan suatu peng-
guna p. Saat memberikan rekomendasi film bagi pengguna p, kita tunjukkan
film-film yang pernah ditonton pengguna yang mirip dengannya, atau kita
tunjukkan film-film yang mirip dengan film-film yang pernah ditonton oleh
pengguna p.
Untuk model-based collaborative filtering, prediksi dibangun dengan meng-
gunakan teknik machine learning [94]. Untuk suatu sistem dengan data yang
sparse, matriks utilitas seperti Tabel 14.4 tidaklah efisien secara memori. Kita
dapat memanfaatkan teknik-tenik seperti matrix factorization/principal com-
ponent analysis dan autoencoder untuk mengurangi ukuran matriks. Silakan
membaca lebih lanjut materi-materi tersebut (ingat kembali materi bab 12).

14.2 Peringkasan Dokumen

Meringkas dokumen berarti mengerti keseluruhan isi teks/dokumen, kemu-
dian mampu menyampaikan kembali sebanyak/seakurat mungkin mak-
sud dokumen asli, ke dalam bentuk yang lebih singkat [95, 96, 52]. Suatu
ringkasan harus lebih pendek dibanding dokumen asli. Dengan demikian, sulit
untuk dikatakan bahwa suatu ringkasan dapat memuat keseluruhan isi doku-
men. Karena itu, ringkasan hanya memuat sebanyak/seakurat mungkin
maksud dokumen asli. Ada beberapa jenis peringkasan dokumen dilihat dari
berbagai sudut pandang, misal:
1. Jumlah dokumen yang diringkas, meringkas satu dokumen (single-document
summarization) [97] atau banyak dokumen menjadi satu ringkasan (multi-
document summarization) [98].
2. Indikatif atau Informatif. Indikatif berarti menyediakan pointer ke bagian
dokumen (misal membuat daftar isi). Informatif berarti meyampaikan se-
banyak/seakurat mungkin maksud dokumen asli ke dalam bentuk lebih
singkat. Pada masa sekarang, hampir seluruh riset peringkasan dokumen
mengacu untuk menyediakan ringkasan yang informatif.
3. Domain. Hasil ringkasan bergantung pada domain dokumen, misalkan
berita atau novel. Pada domain berita, hal yang penting untuk dimuat
dalam ringkasan adalah 5W1H (what, who, when, whom, where, how ) [99],
sementara pada novel mungkin kita ingin tahu kejadian-kejadian yang ada
(beserta urutannya).
4. Generik, query-based, atau tailored. Generik berarti menghasilkan ringkasan
untuk umum, dalam artian tidak ada target user secara spesifik, e.g., re-
view buku [95]. Query-based artinya menghasilkan ringkasan dokumen
202 14 Penerapan Pembelajaran Mesin

berdasarkan query yang diberikan user, i.e., ringkasan adalah informasi

spesifik yang dibutuhkan oleh user [100]. Tailored berarti menyajikan
informasi dengan tipe spesifik. Misalkan pada berita terdapat informasi
5W1H, kita hanya ingin mencari tahu informasi how.
5. Ekstraktif [101] atau abstraktif [52]. Ekstraktif berarti ringkasan hanya
memuat unit informasi yang ada di dokumen asli. Analoginya seperti
memilih potongan dari dokumen asli sebagai ringkasan (copy). Abstraktif
berarti ringkasan dapat memuat unit informasi yang mungkin tidak ada
di dokumen asli. Analoginya seperti mengerti dokumen kemudian menulis
ulang (parafrase).
Hal terpenting untuk diingat adalah peringkasan dokumen (apa yang
diringkas, ringkasan harus memuat apa, dsb) sangat bergantung pada tu-
juan ringkasan (siapa pembaca ringkasan, untuk apa ringkasan dihasilkan).
Diktat ini akan membahas framework (kerangka kerja/berpikir) peringkasan
dokumen dan bagaimana machine learning membantu peringkasan dokumen.
Secara umum, ada beberapa tahap pada proses peringkasan dokumen se-
cara otomatis, terlepas dari tipe peringkasan dokumen yang dijabarkan [95,
102, 103, 96, 104, 99, 98, 97, 52, 105]:
1. Representation – Melakukan pemisahan dan representasi unit informasi;
pada umumnya adalah kalimat, kata, atau frase. Dalam artian, kita men-
ganggap dokumen tersusun atas sekuens kalimat, kata, atau frase. Kita
potong-potong unit informasi pada dokumen lalu, unit informasi dapat di-
representasikan sebagai vektor untuk tiap unitnya [106]. Kita pun dapat
menggali hubungan antara unit informasi (misal direpresentasikan sebagai
graf) untuk kemudian mencari unit mana yang sentral [99, 107].
2. Filtering – Menyaring informasi. Unit manakah yang penting/tidak pent-
ing. Unit mana yang dibutuhkan/tidak dibutuhkan. Unit mana yang
relevan/tidak relevan. Unit mana yang representatif/tidak representatif.
Teknik menyaring informasi sangat bergantung pada representasi unit
pada tahap sebelumnya (e.g., vektor atau graf). Secara singkat, tahap
ini memilih unit informasi berdasarkan tujuan.
3. Generation – Menghasilkan (generate) ringkasan. Bagian ini membu-
tuhkan pengetahuan mengenai bidang pemrosesan bahasa alami (natural
language processing) (NLP). Pada diktat ini, tidak akan dibahas.
Teknik machine learning berperan penting pada tahap 1 dan 2. Kami
akan memberikan studi kasus pada subbab 14.2.1 agar lebih jelas. Sistem
peringkasan dokumen yang membagi-bagi proses menjadi tahapan-tahapan
tersebut disebut pipelined approach. Artinya kita melakukan proses diatas
sebagai tahap-tahap berbeda (independen satu sama lain). Selain pipelined
approach, kita juga dapat memandang peringkasan dokumen dengan single-
view approach (subbab 14.2.2), artinya keseluruhan proses tersebut terjadi
bersamaan.
 14.2 Peringkasan Dokumen 203

14.2.1 Pipelined Approach

Subbab ini akan memuat cerita singkat tentang peringkasan paper [102, 105].
Berdasarkan teori argumentative zoning [102], paper terdiri dari zona-zona
dengan tujuan komunikatif yang berbeda. Dengan bahasa yang lebih mudah,
tiap kalimat (unit informasi) pada paper memiliki tujuan komunikasi yang
berbeda. Misalnya ada kalimat yang menyatakan tujuan penelitian, latar be-
lakang penelitian, atau hasil penelitian. Tujuan komunikasi kalimat disebut
rhetorical categories [108].
Ringkasan, dalam bentuk abstrak atau judul paper memiliki pola [109,
105]. Dalam artian, suatu ringkasan bisa jadi hanya memuat informasi den-
gan rhetorical categories tertentu (tailored summary). Machine learning da-
pat digunakan untuk mengklasifikasikan kalimat (unit informasi) ke kelas
masing-masing [108, 105]. Pertama-tama setiap kalimat direpresentasikan
menjadi feature vector (ingat kembali materi bab 3 dan bab 4). Sebagai con-
toh, paper [105] merepresentasikan kalimat pada paper sebagai feature vector
berdasarkan fitur-fitur sebagai berikut:
1. Posisi. Lokasi kalimat dibagi dengan panjang teks (numerik).
2. Kata kunci (lexicon). Apakah kalimat memuat kata kunci yang eksklusif
untuk rhetorical category tertentu (biner – ya atau tidak).
3. Bobot kalimat, i.e., seberapa “penting” kalimat tersebut. Hal ini dapat
dihitung menggunakan TF-IDF (ingat bab 12) kata pada kalimat (nu-
merik).
4. Kategori sebelumnya. Rhetorical category kalimat sebelumnya (nominal).
Setelah diubah menjadi feature vector, teknik machine learning digunakan
untuk mengklasifikasikan kalimat menjadi kelas rhetorical categories yang
sesuai. Dengan demikian, kita dapat menyaring kalimat berdasarkan tipe in-
formasi mana yang kita inginkan, berdasarkan tujuan peringkasan. Selanjut-
nya, teknik NLP digunakan untuk memproses informasi yang disaring untuk
menghasilkan ringkasan. Materi tersebut diluar bahasan diktat ini.

14.2.2 Single-view Approach

Pada pipelined approach, setiap tahapan peringkasan dokumen (represen-

tation, filtering, dan generation) dianggap sebagai tahap yang independen
satu sama lain. Permasalahannya adalah kesalahan pada suatu tahap akan
mempengaruhi tahap berikutnya. Opsi lain adalah dengan melakukan keselu-
ruhan proses sebagai satu tahapan yang utuh (end-to-end ). Metode ini memi-
liki kaitan yang erat dengan teknik machine translation, yang pada masa
sekarang populer didekati dengan teknik deep learning (sequence to sequence
encoder–decoder ) [52, 76, 75, 84, 110, 111]. Dokumen tersusun atas sejumlah T
sekuens unit informasi u = u1 , u2 , . . . , uT . Sebuah ringkasan adalah M buah
sekuens unit informasi r = r1 , r2 , . . . , rM dimana M < T . Tujuan peringkasan
204 14 Penerapan Pembelajaran Mesin

adalah untuk mencari r terbaik, sedemikian sehingga dapat memenuhi per-

samaan 14.1.
arg max p(r | u) (14.1)
r

Pada umumnya, terdapat suatu variabel tambahan θ yang mengendalikan

(govern) probabilitas tersebut. Sehingga secara lebih tepat, persamaan 14.1
diubah menjadi persamaan 14.2.

arg max p(r | u, θ) (14.2)

r

Perhatikan, persamaan 14.2 adalah bentuk yang dapat dimodelkan meng-

gunakan sequence to sequence encoder–decoder. Selain peringkasan dokumen,
banyak permasalahan pada bidang natural language processing memiliki ben-
tuk yang “mirip”, seperti: part-of-speech tagging [112], named entity recogni-
tion [113], mesin translasi [76] dan rekonstruksi paragraf [114].

14.3 Konklusi
Teknik machine learning sangatlah berguna untuk berbagai macam per-
masalahan. Tetapi perlu dipahami bahwa teknik yang ada belum mampu
memodelkan proses berpikir manusia dengan benar. Proses berpikir manusia
sangatlah kompleks, dan model yang ada sekarang ini adalah bentuk sim-
plifikasi. Sebagai contoh, seorang bayi sekali melihat anjing mungkin akan
mengetahui anjing lainnya walaupun tidak memiliki rupa yang sama per-
sis. Sementara itu, model machine learning harus diberikan banyak sampel.
Manusia memiliki otak yang luar biasa hebat karena mampu belajar dengan
sedikit contoh.
Persoalan-persoalan yang diberikan pada buku ini secara umum men-
cakup supervised dan unsupervised learning saja. Terdapat satu pemode-
lan masalah penting lainnya yaitu reinforcement learning dimana kita ingin
memaksimalkan hasil untuk sekuens aksi (sekuens keputusan). Setiap kepu-
tusan dapat diberikan bobot yang berbeda. Kemudian, agen memaksimalkan
nilai untuk sekuens keputusan (cummulative reward )2 . Pada supervised learn-
ing, kita hanya perlu membuat satu keputusan saja (menggolongkan data ke
kelas mana). Pada konferensi-konferensi, para master banyak menyebutkan
masa depan machine learning berada pada unsupervised atau reinforcement
learning. Aplikasi mutakhir yang ada sekarang ini didominasi oleh supervised
learning. Pada kenyataannya, sebagian besar (hampir semua) data yang ada
di dunia ini tidak berlabel. Karena itu, representasi data secara unsupervised
menjadi topik riset hangat (representation learning).
Buku ini telah menjelaskan berbagai macam teknik, tetapi perlu diketahui
bahwa materi yang diberikan adalah simplifikasi agar mampu dipahami secara

2
https://en.wikipedia.org/wiki/Reinforcement_learning
 14.4 Saran Buku Lanjutan 205

intuitif. Selain itu, buku ini di desain sebagai materi pengantar saja. Untuk
memahami teknik machine learning secara lebih jauh dan sempurna, penulis
menyarankan untuk membaca buku referensi [8, 11].
Materi yang disajikan pada buku ini adalah persoalan-persoalan machine
learning dari sudut pandang optimisasi. Yaitu mencari himpunan (set of ) pa-
rameter agar model pembelajaran yang dibangun mampu memberi keputusan
yang optimal. Kami menyarankan pembaca untuk mencari referensi lebih jauh
tentang machine learning dari sudut pandang eksplorasi, yaitu mencari con-
cept space dimana model dapat bekerja dengan “baik”. Sebagai contoh, kita
memiliki sebuah mesin (fisik) dengan berbagai macam konfigurasi (parame-
ter). Apabila kita menjalankan mesin dengan konfigurasi parameter tertentu,
mesin akan rusak. Tugas kita adalah mencari parameters space dimana mesin
dapat berjalan dengan optimal dan tidak rusak. Sedangkan, pada persoalan
optimisasi, kita mencari satu konfigurasi terbaik.
Machine learning adalah bidang yang sangat luas (lebih luas dari apa
yang diceritakan pada buku ini) dan berkembang pesat. Penulis menyarankan
pembaca untuk membaca makalah dari konferensi3 top-tier untuk mengetahui
perkembangan terkini. Sebagai contoh (diurutkan berdasarkan abjad)4 :
• AAAI. AAAI Conference on Artificial Intelligence
• ACL. Annual Meeting of Association for Computational Linguistics
• CVPR. IEEE Conference on Computer Vision and Pattern Recognition
• EMNLP. Empirical Methods in Natural Language Processing
• ICCV. IEEE International Conference on Computer Vision
• ICLR. International Conference on Learning Representation
• ICML. International Conference on Machine Learning
• IJCAI. International Conference on Artificial Intelligence
• INTERSPEECH. Conference of the International Speech Association
• NeurIPS (dahulu disebut NIPS). Neural Information Processing System
• SIGIR. ACM Special Interest Group in Information Retrieval
• SIGKDD. ACM Special Interest Group in Knowledge Discovery and Data
Mining

14.4 Saran Buku Lanjutan

Penulis ingin memberikan beberapa rekomendasi bacaan pembelajaran mesin
selanjutnya (teoritis). Buku-buku berikut (diurutkan secara subjektif berdasarkan
kualitas konten dan kemudahan dimengerti):

3
Kamu lebih mudah mengetahui informasi terkini dari konferensi dibanding jurnal
karena proses review yang lebih cepat. Pada bidang keilmuan tertentu, konferensi
lebih penting dibanding jurnal.
4
Konferensi penting untuk bidang pemrosesan bahasa alami terdaftar pada https:
//aclanthology.coli.uni-saarland.de/
206 14 Penerapan Pembelajaran Mesin

1. Deep Learning oleh Ian Goodfellow et al. [11]. Banyak yang menggang-
gap buku ini sebagai “kitab” deep learning modern. Buku ini juga men-
cakup materi matematika dasar (e.g., aljabar linier) yang dibutuhkan un-
tuk mengerti deep learning.
2. Neural Network Methods in Natural Language Processing oleh Gold-
berg [1]. Buku ini ditujukan sebagai bahan transisi bagi peneliti bidang
pemrosesan bahasa alami untuk menggunakan metode neural network.
Apabila kamu tidak tertarik dengan pemrosesan bahasa alami, kamu bisa
membaca bab 1-5 pada buku ini sebagai pengenalan neural network.
3. Pattern Recognition and Machine Learning oleh Bishop [8]. Menurut
penulis, banyak yang tahu buku ini karena dianggap sebagai “kitab”. Pen-
jelasan buku ini sangat matematis dan relatif berat untuk dimengerti.
Tetapi, kamu dapat menjadi master apabila memahami seluruh materi
pada buku ini. Algoritma machine learning yang disajikan juga relatif
lebih “klasik” dibanding rekomendasi pertama.
4. Machine Learning oleh Tom Mitchel [4]. Buku ini memuat materi ma-
chine learning yang cukup “klasik”. Buku ini kurang lebih cocok sebagai
pengenalan, tapi relatif kurang dalam.
Sedikit tambahan pesan sponsor karena penulis berlatar belakang dari
bidang pemrosesan bahasa alami, penulis menyarankan membaca buku-buku
(teoritis) berikut sebagai dasar pengetahuan pemrosesan bahasa alami (diu-
rutkan dari konten paling dasar):
1. Foundations of Statistical Natural Language Processing oleh Christopher
D. Mannning dan Hinrich Schutze [59]. Buku ini dapat dideskripsikan
dengan satu kata, TOP. Buku ini memuat materi pemrosesan bahasa
alami dengan sudut pandang matematis, dapat dianggap sebagai frame-
work berpikir yang modern.
2. Speech and Language Processing oleh Daniel Jurafsky dan James H. Mar-
tin [12]. Buku ini jauh lebih tebal dari buku pertama dan memuat materi
yang lebih luas. Penulis merekomendasikan buku ini untuk mengetahui
permasalahan-permasalahan pemrosesan bahasa alami.
3. An introduction to Information Retrieval oleh Manning et al. [60]. Walaupun
berjududul information retrieval, penulis pertama kali mengenal konsep
embedding dari buku ini. Buku ini ditulis dengan apik.
4. Neural Network Methods in Natural Language Processing oleh Gold-
berg [1]. Apabila kamu telah membaca buku-buku yang disebutkan se-
belumnya, kamu dapat membaca buku ini untuk transisi ke metode neural
network.
Pada saat menulis buku ini, penulis berharap bisa menulis pada level di-
antara buku Tom Mitchel [4] dan Bishop [8] yaitu cukup matematis, lumayan
mudah dipahami, dan lumayan dalam. Mudah-mudahan pembaca merasa tu-
juan ini tercapai dan menikmati membaca buku ini. Sebagai kalimat penutup,
terimakasih sudah membaca sampai tahap ini.
 14.4 Saran Buku Lanjutan 207

Soal Latihan
14.1. Cold Start Problem
(a) Jelaskan apa itu cold start problem pada sistem rekomendasi, serta bagaimana
cara menangani permasalahan tersebut!
(b) Pada teknik sistem rekomendasi manakah (content-based filtering atau
collaborative filtering) cold start problem mungkin muncul? Mengapa?

14.2. Eksplorasi Sistem Rekomendasi

Bangunlah suatu sistem rekomendasi dengan teknik collaborative filtering
pada dataset MovieLens dengan memanfaatkan library recommenderlab 5 !

14.3. Peringkasan Dokumen

(a) Presentasikanlah di kelasmu, paper sistem peringkasan dokumen otomatis
oleh Kupiec et al. (1995) [106] 6 yang menggunakan pipelined approach!
(b) Presentasikanlah di kelasmu, paper sistem peringkasan dokumen otomatis
oleh Cheng and Lapata [111] 7 yang menggunakan single-view approach!
(c) Jelaskan perbedaan, kelebihan, dan kelemahan pendekatan-pendekatan
sistem peringkasan dokumen!

5
https://cran.r-project.org/web/packages/recommenderlab/index.html
6
https://dl.acm.org/citation.cfm?id=215333
7
http://www.aclweb.org/anthology/P16-1046
Referensi

1. Yoav Goldberg. Neural Network Methods in Natural Language Processing.

Morgan & Claypool Publishers, 2017.
2. Peter Linz. An Introduction to Formal Language and Automata. Jones and
Bartlett Publishers, Inc., USA, 2006.
3. Ronald Brachman and Hector Levesque. Knowledge Representation and Rea-
soning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 2004.
4. Tom Mitchell. Machine Learning. McGraw-Hill, 1997.
5. Stuart Russel and Peter Norvig. Artificial Intelligence: A Modern Approach.
Prentice Hall, 1995.
6. Jonathan Gratch and Stacell Marsella. Computationally modelling human
emotion. Communications of the ACM, 57(12):71–99, 2014.
7. Masayu Leylia Khodra and Dessi Puji Lestari. Odd semester lecture on ma-
chine learning. Lecture of Institute Teknologi Bandung, 2015.
8. Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer,
2006.
9. Sumio Watanabe and Hidetoshi Nishimori. Fall lecture note on statistical
learning theory. Lecture note for Tokyo Institute of Technology, 2016.
10. Brian Caffo. Statistical Inference for Data Science. Lean Publishing, 2015.
11. Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep Learning. MIT
Press, 2016.
12. Daniel Jurafsky and James H. Martin. Speech and Language Processing Second
Edition. Prentice Hall, 2009.
13. Thomas M. Cover and Joy A. Thomas. Elements of Information Theory. Wiley,
1991.
14. Hidetoshi Nishimori. Statistical Physics of Spin Glasses and Information Pro-
cessing: An Introduction. Clarendon Press, 2001.
15. Sharon L. Myres Ronald E. Walpole, Raymond H. Myers and Keying Ya.
Probability and Statistics for Engineers and Scientists. Prentice Hall, 2012.
16. Gilbert Strang. Linear algebra and its applications. Thomson, Brooks/Cole,
Belmont, CA, 2006.
17. G. James, D. Witten, T. Hastie, and R. Tibshirani. An Introduction to Statis-
tical Learning, with applications in R. Springer, 2013.
18. Ian H. Witten, Eibe Frank, and Mark A. Hall. Data Minin gg: Practical Ma-
chine Learning Tools and Techniques. Morgan Kaufmann Publishers Inc., San
Francisco, CA, USA, 3rd edition, 2011.
210 Referensi

19. Jeff Leek. The Elements of Data Analytic Style. Leanpub, 2015.
20. Takao Terano and Tsuyoshi Murata. Spring lecture on machine learning. Lec-
ture of Tokyo Institute of Technology, 2017.
21. Kishore Papineni, Salim Roukos, Todd Ward, and Wei-Jing Zhu. Bleu: A
method for automatic evaluation of machine translation. In Proceedings of the
40th Annual Meeting on Association for Computational Linguistics, ACL ’02,
pages 311–318, Stroudsburg, PA, USA, 2002. Association for Computational
Linguistics.
22. Chin-Yew Lin. Rouge: A package for automatic evaluation of summaries. In
Proc. ACL workshop on Text Summarization Branches Out, page 10, 2004.
23. Irina Rish. An empirical study of the naive bayes classifier. In IJCAI 2001
workshop on empirical methods in artificial intelligence, volume 3, pages 41–46.
IBM New York, 2001.
24. J. A. Hartigan and M. A. Wong. A k-means clustering algorithm. JSTOR:
Applied Statistics, 28(1):100–108, 1979.
25. T. Cover and P. Hart. Nearest neighbor pattern classification. IEEE Trans.
Inf. Theor., 13(1):21–27, September 2006.
26. John Duchi, Elad Hazan, and Yoram Singer. Adaptive subgradient methods
for online learning and stochastic optimization, 2010.
27. Corinna Cortes and Vladimir Vapnik. Support-vector networks. Machine
Learning, 20(3):273–297, Sep 1995.
28. Marti A. Hearst. Support vector machines. IEEE Intelligent Systems, 13(4):18–
28, July 1998.
29. J. R. Quilan. Discovering rules by induction from large collections of examples.
Edinburgh University Press, 1979.
30. J.R. Quinlan. Induction of decision trees. Mach. Learn., 1(1):81–106, March
1986.
31. C. E. Shannon. A mathematical theory of communication. The Bell System
Technical Journal, 27(3):379–423, 1948.
32. Takao Terano and Tsuyoshi Murata. Spring lecture on machine learning. Lec-
ture of Tokyo Institute of Technology, 2017.
33. L. R. Rabiner and B. H. Juang. An introduction to hidden markov models.
IEEE ASSp Magazine, 1986.
34. James Allen. Natural Language Understanding. Benjamin-Cummings Publish-
ing Co., Inc., 1995.
35. Vishal M. Patel, Raghuraman Gopalan, Ruonan Li, and Rama Chellappa. Vi-
sual domain adaptation: A survey of recent advances. IEEE Signal Process.
Mag., 32(3):53–69, 2015.
36. George Karypis Michael Steinbach and Vipin Kumar. A comparison of docu-
ment clustering techniques. In KDD Workshop on Text Mining, pages 525 –
526, 2000.
37. Omer I. E. Mohamed Fathi H. Saad and Rafa E. Al-Qutaish. Comparison of
hierarchical agglomerative algorithms for clustering medical documents. In-
ternational Journal of Software Engineering and Applications (IJSEA), 3(3),
2012.
38. Rajeev Rastogi Sudipto Guha and Kyuseok Shim. Cure: An efficient clustering
algorithm for large databases. In Proceedings of ACMSIGMOD International
Conference on Management of Data, pages 73 – 84, 1998.
39. Jack D. Cowan. Neural networks: The early days. In Proceedings of Advances
in Neural Information Processing Systems 2, 1989.
 Referensi 211

40. Amir Atiya. Learning Algorithms for Neural Network. PhD thesis, California
Institute of Technology, 1994.
41. Al. Cripps. Using artificial neural nets to predict academic performance. In
Proceedings of the 1996 ACM Symposium on Applied Computing, pages 33–37,
1996.
42. Thomas Mikolov. Statistical Language Models Based on Neural Networks. PhD
thesis, Brno University of Technology, 2012.
43. Kai Chen Greg Corrado Thomas Mikolov, Ilya Sutskever and Jeffrey Dean.
Distributed representations of words and phrases and their compositionality.
In Proceedings of CoRR, 2013.
44. Gred Corrado Thomas Mikolov, Kai Chen and Jeffrey Dean. Efficient estima-
tion of word representations in vector space. In Proceedings of CoRR, 2013.
45. Kai Yu. Large-scale deep learning at baidu. In Proceedings of the 22nd ACM
International Conference on Information and Knowledge Management, pages
2211–2212, 2013.
46. M. A. Aizerman, E. A. Braverman, and L. Rozonoer. Theoretical foundations
of the potential function method in pattern recognition learning. In Automation
and Remote Control,, number 25, pages 821–837, 1964.
47. F. Rosenblatt. The perceptron: A probabilistic model for information storage
and organization in the brain. Psychological Review, pages 65–386, 1958.
48. Marvin L. Minsky and Seymour A. Papert. Perceptrons: Expanded Edition.
MIT Press, Cambridge, MA, USA, 1988.
49. D. E. Rumelhart, G. E. Hinton, and R. J. Williams. Parallel distributed pro-
cessing: Explorations in the microstructure of cognition, vol. 1. chapter Learn-
ing Internal Representations by Error Propagation, pages 318–362. MIT Press,
Cambridge, MA, USA, 1986.
50. Tao Lei, Regina Barzilay, and Tommi Jaakkola. Rationalizing neural predic-
tions. In Proceedings of the 2016 Conference on Empirical Methods in Natural
Language Processing, pages 107–117, Austin, Texas, November 2016. Associa-
tion for Computational Linguistics.
51. David Alvarez-Melis and Tommi Jaakkola. A causal framework for explain-
ing the predictions of black-box sequence-to-sequence models. In Proceedings
of the 2017 Conference on Empirical Methods in Natural Language Process-
ing, pages 412–421, Copenhagen, Denmark, September 2017. Association for
Computational Linguistics.
52. Dzmitry Bahdanau, KyungHyun Cho, and Yoshua Bengio. Neural machine
translation by jointly learning to align and translate. In Proceedings of the
International Conference on Learning and Representation (ICLR), 2015.
53. Thang Luong, Hieu Pham, and Christopher D. Manning. Effective approaches
to attention-based neural machine translation. In Proceedings of the 2015 Con-
ference on Empirical Methods in Natural Language Processing, pages 1412–
1421, Lisbon, Portugal, September 2015. Association for Computational Lin-
guistics.
54. Finale Doshi-Velez and Been Kim. A roadmap for a rigorous science of inter-
pretability. In ArXiv e-prints.
55. Jeffrey L. Elman. Learning and development in neural networks: The impor-
tance of starting small. Journal of Cognition, (48):71–99, 1993.
56. Yoshua Bengio, Jérôme Louradour, Ronan Collobert, and Jason Weston. Cur-
riculum learning. In Proceedings of the 26th Annual International Conference
212 Referensi

on Machine Learning, ICML ’09, pages 41–48, New York, NY, USA, 2009.
ACM.
57. Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, and Rus-
lan Salakhutdinov. Dropout: A simple way to prevent neural networks from
overfitting. J. Mach. Learn. Res., 15(1):1929–1958, January 2014.
58. Dzmitry Bahdanau Kyunghyun Cho, Bart van Merrienboer and Yoshua Ben-
gio. On the properties of neural machine translation: Encoder–decoder ap-
proaches. In Proceedings of SSST-8, Eighth Workshop on Syntax, Semantics
and Structure in Statistical Translation, pages 103–111, Doha, Qatar, October
2014. Association for Computational Linguistics.
59. Christopher D. Manning and Hinrich Schutze. Foundations of Statistical Nat-
ural Language Processing. MIT Press, 1999.
60. Prabhakar Raghavan Christopher D. Manning and Hinrich Schutze. An Intro-
duction to Information Retrieval. Cambridge UP, 2009.
61. Andrew Y. Ng Richard Socher, Cliff Chiung-Yu Lin and Christopher D. Man-
ning. Parsing natural scenes and natural language with recursive neural net-
works. In Proceedings of the 28th International Conference on Machine Learn-
ing, 2011.
62. Jean Y. Wu Jason Chuang Richard Socher, Alex Perelygin and Christopher D.
Manning. Recursive deep models for semantic compositionality over a senti-
ment treebank. In Proceedings of the Emperical Methods in Natural Language
Processing, 2013.
63. Erhc H. Huang Andrew Y. Ng Richard Socher, Jeffrey Pennington and
Christoper D. Manning. Semi-supervised recursive autoencoders for predicting
sentiment distributions. In Proceedings of the Emperical Methods in Natural
Language Processing, 2011.
64. Quoc Le and Tomas Mikolov. Distributed representations of sentences and
documents. In Proceedings of the 31st International Conference on Machine
Learning, 2014.
65. Richard Socher Jeffrey Pennington and Christopher D. Manning. Glove: Global
vectors for word representation. In Proceedings of the Emperical Methods in
Natural Language Processing, pages 1532 – 1543, 2014.
66. Yoshua Bengio, Réjean Ducharme, Pascal Vincent, and Christian Janvin. A
neural probabilistic language model. J. Mach. Learn. Res., 3:1137–1155, March
2003.
67. Omer Levy, Yoav Goldberg, and Ido Dagan. Improving distributional similarity
with lessons learned from word embeddings. Transactions of the Association
for Computational Linguistics, 3:211–225, 2015.
68. Guoqiang Zhong, Li-Na Wang, Xiao Ling, and Junyu Dong. An overview on
data representation learning: From traditional feature learning to recent deep
learning. The Journal of Finance and Data Science, 2(4):265 – 278, 2016.
69. Peter D. Turney and Patrick Pantel. From frequency to meaning: Vector space
models of semantics. Journal of Artificial Intelligence Research, (37):141–188,
2010.
70. Jan Wira Gotama Putra and Takenobu Tokunaga. Evaluating text coher-
ence based on semantic similarity graph. In Proceedings of TextGraphs-11: the
Workshop on Graph-based Methods for Natural Language Processing, pages
76–85, Vancouver, Canada, August 2017. Association for Computational Lin-
guistics.
 Referensi 213

71. Y. LeCun and Y. Bengio. Convolutional networks for images, speech, and
time-series. In M. A. Arbib, editor, The Handbook of Brain Theory and Neural
Networks. MIT Press, 1995.
72. Jeffrey L. Elman. Finding structure in time. Cognitive Science, 14(2):179–211,
1990.
73. Sepp Hochreiter and Jürgen Schmidhuber. Long short-term memory. Neural
Comput., 9(8):1735–1780, November 1997.
74. Paul J. Werbos. Backpropagation through time: what does it do and how to
do it. In Proceedings of IEEE, volume 78, pages 1550–1560, 1990.
75. Caglar Gulcehre Dzmitry Bahdanau Fethi Bougares HolgerSchwenk
Kyunghyun Cho, Bart van Merrienboer and Yoshua Bengio. Learning phrase
representations using rnn encoder–decoder for statistical machine translation.
In Proceedings of the 2014 Conference on Empirical Methods in Natural Lan-
guage Processing (EMNLP), pages 1724–1734, Doha, Qatar, October 2014.
Association for Computational Linguistics.
76. Ilya Sutskever, Oriol Vinyals, and Quoc V. Le. Sequence to sequence learn-
ing with neural networks. In Proceedings of the 27th International Conference
on Neural Information Processing Systems, NIPS’14, pages 3104–3112, Cam-
bridge, MA, USA, 2014. MIT Press.
77. Yan Shao, Christian Hardmeier, Jörg Tiedemann, and Joakim Nivre.
Character-based joint segmentation and pos tagging for chinese using bidirec-
tional rnn-crf. In Proceedings of the Eighth International Joint Conference on
Natural Language Processing (Volume 1: Long Papers), pages 173–183, Taipei,
Taiwan, November 2017. Asian Federation of Natural Language Processing.
78. Tobias Horsmann and Torsten Zesch. Do lstms really work so well for pos
tagging? – a replication study. In Proceedings of the 2017 Conference on Em-
pirical Methods in Natural Language Processing, pages 727–736, Copenhagen,
Denmark, September 2017. Association for Computational Linguistics.
79. Barbara Plank, Anders Søgaard, and Yoav Goldberg. Multilingual part-of-
speech tagging with bidirectional long short-term memory models and auxil-
iary loss. In Proceedings of the 54th Annual Meeting of the Association for
Computational Linguistics, ACL 2016, August 7-12, 2016, Berlin, Germany,
Volume 2: Short Papers, 2016.
80. Ryohei Sasano Hiroya Takamura Yuta Kikuchi, Graham Neubig and Man-
abu Okumura. Controlling output length in neural encoder-decoders. In Pro-
ceedings of the 2016 Conference on Empirical Methods in Natural Language
Processing, pages 1328–1338, Austin, Texas, November 2016. Association for
Computational Linguistics.
81. Ramesh Nallapati, Bowen Zhou, Cı́cero Nogueira dos Santos, and aglar Gülehre
and Bing Xiang. Abstractive text summarization using sequence-to-sequence
rnns and beyond. In CoNLL, 2016.
82. Yan-Kai Lin Cun-Chao Tu Yu Zhao Zhi-Yuan Liu Ayana, Shi-Qi Shen and
Mao-Song Sun. Recent advances on neural headline generation. Journal of
Computer Science and Technology, 32(4):768–784, Jul 2017.
83. Chloé Kiddon, Luke Zettlemoyer, and Yejin Choi. Globally coherent text gen-
eration with neural checklist models. In Proceedings of the 2016 Conference
on Empirical Methods in Natural Language Processing, pages 329–339, Austin,
Texas, November 2016. Association for Computational Linguistics.
84. Xiaojun Wan Jiwei Tan and Jianguo Xiao. Abstractive document summariza-
tion with a graph-based attentional neural model. In Proceedings of the 55th
214 Referensi

Annual Meeting of the Association for Computational Linguistics (Volume 1:

Long Papers), pages 1171–1181, Vancouver, Canada, July 2017. Association
for Computational Linguistics.
85. Oriol Vinyals, Alexander Toshev, Samy Bengio, and Dumitru Erhan. Show and
tell: A neural image caption generator. 2015 IEEE Conference on Computer
Vision and Pattern Recognition (CVPR), pages 3156–3164, 2015.
86. Ronan Collobert, Jason Weston, Léon Bottou, Michael Karlen, Koray
Kavukcuoglu, and Pavel Kuksa. Natural language processing (almost) from
scratch. J. Mach. Learn. Res., 12:2493–2537, November 2011.
87. Daxiang Dong, Hua Wu, Wei He, Dianhai Yu, and Haifeng Wang. Multi-
task learning for multiple language translation. In Proceedings of the 53rd
Annual Meeting of the Association for Computational Linguistics and the 7th
International Joint Conference on Natural Language Processing (Volume 1:
Long Papers), pages 1723–1732. Association for Computational Linguistics,
2015.
88. Pengfei Liu, Xipeng Qiu, and Xuanjing Huang. Adversarial multi-task learning
for text classification. In Proceedings of the 55th Annual Meeting of the As-
sociation for Computational Linguistics (Volume 1: Long Papers), pages 1–10.
Association for Computational Linguistics, 2017.
89. Anne Lauscher, Goran Glavaš, Simone Paolo Ponzetto, and Kai Eckert. In-
vestigating the role of argumentation in the rhetorical analysis of scientific
publications with neural multi-task learning models. In Proceedings of the
2018 Conference on Empirical Methods in Natural Language Processing, pages
3326–3338. Association for Computational Linguistics, 2018.
90. Alex Kendall, Yarin Gal, and Roberto Cipolla. Multi-task learning using un-
certainty to weigh losses for scene geometry and semantics. In 2018 IEEE
Conference on Computer Vision and Pattern Recognition, CVPR 2018, Salt
Lake City, UT, USA, June 18-22, 2018, pages 7482–7491, 2018.
91. Daniel Billsus and Michael J. Pazzani. The adaptive web. chapter Adaptive
News Access, pages 550–570. Springer-Verlag, Berlin, Heidelberg, 2007.
92. Paul Resnick and Hal R. Varian. Recommender systems. Commun. ACM,
40(3):56–58, March 1997.
93. Daniar Asanov. Algorithms and methods in recommender systems. Berlin
Institute of Technology, 2011.
94. Charu C. Aggrawal. Recommender Systems: The Textbook. Springer Interna-
tional Publishing Switzerland, 2016.
95. Eduard Hovy and Chin-Yew Lin. Automated text summarization and the sum-
marist system. In Proceedings of a Workshop on Held at Baltimore, Maryland:
October 13-15, 1998, TIPSTER ’98, pages 197–214, Stroudsburg, PA, USA,
1998. Association for Computational Linguistics.
96. Liang Zhou and Eduard Hovy. Template-filtered headline summarization. In
In the Proceedings of the ACL workshop, Text Summarization Branches Out,
pages 56–60, 2004.
97. Amin Mantrach Carlos A. Colmenares, Marina Litvak and Fabrizio Silvestri.
Heads: Headline generation as sequence prediction using an abstract feature-
rich space. In Proceedings of the 2015 Conference of the North American
Chapter of the Association for Computational Linguistics: Human Language
Technologies, pages 133–142, Denver, Colorado, May–June 2015. Association
for Computational Linguistics.
 Referensi 215

98. Daniele Pighin Enrique Alfonseca and Guillermo Garrido. Heady: News head-
line abstraction through event pattern clustering. In Proceedings of the 51st
Annual Meeting of the Association for Computational Linguistics (Volume 1:
Long Papers), pages 1243–1253, Sofia, Bulgaria, August 2013. Association for
Computational Linguistics.
99. Pierre-Etienne Genest and Guy Lapalme. Framework for abstractive sum-
marization using text-to-text generation. In Proceedings of the Workshop on
Monolingual Text-To-Text Generation, pages 64–73, Portland, Oregon, June
2011. Association for Computational Linguistics.
100. Shufeng Xiong and Donghong Ji. Query-focused multi-document summariza-
tion using hypergraph-based ranking. Inf. Process. Manage., 52(4):670–681,
July 2016.
101. David Zajic, Bonnie J. Dorr, and Richard Schwartz. Bbn/umd at duc-2004:
Topiary. In Proceedings of the North Americal Chapter of the Association for
Computational Linguistics Workshop on Document Understanding, pages 112–
119, 2004.
102. Simone Teufel and Marc Moens. Argumentative classification of extracted
sentences as a first step towards flexible abstracting. In Advances in automatic
Text Summarization, pages 155–171. MIT Press, 1999.
103. Bonnie J. Dorr, David Zajic, and Richard Schwartz. Hedge trimmer: A parse-
and-trim approach to headline generation. In Dragomir Radev and Simone
Teufel, editors, Proceedings of the HLT-NAACL 03 Text Summarization Work-
shop, pages 1–8, 2003.
104. Jurij Leskovec, Natasa Milic-Frayling, and Marko Grobelnik. Extracting sum-
mary sentences based on the document semantic graph. Microsoft Research,
2005.
105. Jan Wira Gotama Putra. Rhetorical sentence classification for automatic title
generation in scientific article. TELKOMNIKA, 15(2):656–664, 2017.
106. Jan Pedersen Julian Kupiec and Francine Chen. A trainable document summa-
rizer. In Proceedings of the 18th Annual International ACM SIGIR Conference
on Research and Development in Information Retrieval, SIGIR ’95, pages 68–
73, New York, NY, USA, 1995. ACM.
107. Hans-Martin Ramsl Daraksha Parveen and Michael Strube. Topical coher-
ence for graph-based extractive summarization. In Conference on Empirical
Methods in Natural Language Processing, pages 1949–1954. The Association
for Computational Linguistics, 2015.
108. Simone Teufel and Marc Moens. Summarizing scientific articles: Experiments
with relevance and rhetorical status. Comput. Linguist., 28(4):409–445, De-
cember 2002.
109. Diarmuid Ó Séaghdha and Simone Teufel. Unsupervised learning of rhetorical
structure with un-topic models. In Proceedings of COLING 2014, the 25th In-
ternational Conference on Computational Linguistics: Technical Papers, pages
2–13, Dublin, Ireland, August 2014. Dublin City University and Association
for Computational Linguistics.
110. Vibhu O. Mittal Michele Banko and Michael J. Witbrock. Headline generation
based on statistical translation. In Proceedings of the 38th Annual Meeting on
Association for Computational Linguistics, ACL ’00, pages 318–325, Strouds-
burg, PA, USA, 2000. Association for Computational Linguistics.
111. Jianpeng Cheng and Mirella Lapata. Neural summarization by extracting
sentences and words. CoRR, abs/1603.07252, 2016.
216 Referensi

112. Christopher D. Manning. Part-of-speech tagging from 97% to 100%: Is it time

for some linguistics? In Proceedings of the 12th International Conference on
Computational Linguistics and Intelligent Text Processing - Volume Part I,
CICLing’11, pages 171–189, Berlin, Heidelberg, 2011. Springer-Verlag.
113. Lev Ratinov and Dan Roth. Design challenges and misconceptions in named
entity recognition. In Proceedings of the Thirteenth Conference on Computa-
tional Natural Language Learning, CoNLL ’09, pages 147–155, Stroudsburg,
PA, USA, 2009. Association for Computational Linguistics.
114. Jiwei Li and Dan Jurafsky. Neural net models of open-domain discourse coher-
ence. In Proceedings of the 2017 Conference on Empirical Methods in Natural
Language Processing, pages 198–209, Copenhagen, Denmark, September 2017.
Association for Computational Linguistics.
Biografi Penulis

Jan Wira Gotama Putra adalah mahasiswa program doktoral di Computa-

tional Linguistics/Natural Language Processing group (Tokunaga-lab), Arti-
ficial Intelligence Major, Department of Computer Science, Tokyo Institute
of Technology. Sebelumnya, penulis mendapatkan gelar sarjana di jurusan
Teknik Informatika, Institut Teknologi Bandung. Penulis memiliki pengala-
man menulis makalah ilmiah pada bidang pemrosesan bahasa alami (terma-
suk yang menggunakan teknik pembelajaran mesin) dan menerapkan teknik
pembelajaran mesin untuk perusahaan IT. Penulis masih terus mempelajari
teknik machine learning, buku ini adalah catatan yang ingin ia bagikan.

https://wiragotama.github.io/